Etude de Sensibilite Prix de Gros CRE

ÉTUDE
SEPTEMBRE 2021
Étude sur la sensibilité du prix de

gros de l’électricité aux publications
d’informations relatives aux
indisponibilités des moyens de
production en France
ETUDE DE SENSIBILITE DU PRIX DE MARCHE DE L’ELECTRICITE AUX PUBLICATIONS D’INFORMATIONS
RELATIVES AUX INDISPONIBILITES DES MOYENS DE PRODUCTION EN FRANCE
Septembre 2021
CONTENU
INTRODUCTION .................................................................................................................................................. 3
1. REVUE DE LA LITTERATURE EXISTANTE AUTOUR DE LA PROBLEMATIQUE ETUDIEE ................................ 4
2. METHODOLOGIE ET PERIMETRE DE L’ETUDE .............................................................................................. 5
3. DESCRIPTION DE L’ENSEMBLE DE DONNEES SOUS-JACENTES DE L’ETUDE ............................................. 5
3.1 VARIABLE EXPLIQUEE...............................................................................................................................................5
3.2 PROPRIETES STATISTIQUES DES PRIX ....................................................................................................................7
3.2.1. Statistiques des niveaux de prix ......................................................................................................................7
3.2.2. Statistiques des écarts de prix ...................................................................................................................... 10
3.3 VARIABLES EXPLICATIVES PHYSIQUES ................................................................................................................ 15
3.4 STATIONNARITE DES VARIABLES ......................................................................................................................... 16
3.5 CORRELATION DES VARIABLES ............................................................................................................................ 17
4. REGRESSIONS UTILISEES.......................................................................................................................... 18
4.1 MODELE LINEAIRE ROBUSTE (MLR) .................................................................................................................... 18
4.2 REGRESSION QUANTILE ....................................................................................................................................... 19
4.3 REGRESSION PAR LES MOINDRES CARRES ORDINAIRES (MCO) ...................................................................... 20
5. RESULTATS DE L’ETUDE ............................................................................................................................. 20
5.1 RESULTATS DE LA REGRESSION MLR POUR TOUTES LES INDISPONIBILITES SANS DISTINCTION PAR NATURE
DE L’ENERGIE ...................................................................................................................................................... 20
5.2 RESULTATS DE LA REGRESSION QUANTILE ........................................................................................................ 23
5.3 RESULTATS DE LA REGRESSION MLR AVEC UNE DISTINCTION DES INDISPONIBILITES PAR NATURE DE
L’ENERGIE ............................................................................................................................................................ 24
5.4 RESULTATS DE LA REGRESSION PAR MCO ......................................................................................................... 25
6. CONCLUSION .............................................................................................................................................. 30
BIBLIOGRAPHIE .............................................................................................................................................. 32
2/32
Septembre 2021
INTRODUCTION
En application de l’article 4(1) du règlement (UE) n°1227/2011 du Parlement européen et du Conseil du

25 octobre 2011 concernant l’intégrité et la transparence du marché de gros de l'énergie (« REMIT » ci-après) les
acteurs du marché sont tenus de rendre publiques les informations privilégiées qu’ils détiennent. Cet article dispose
en effet que :
« Les acteurs du marché divulguent publiquement, effectivement et en temps utile, une information
privilégiée qu'ils détiennent concernant une entreprise ou des installations que l'acteur du marché
concerné, ou son entreprise mère ou une entreprise liée, possède ou dirige ou dont ledit acteur ou ladite
entreprise, est responsable, pour ce qui est des questions opérationnelles, en tout ou en partie. Cette
divulgation contient des éléments concernant la capacité et l'utilisation des installations de production, de
stockage, de consommation ou de transport d'électricité ou de gaz naturel ou des informations relatives à
la capacité et à l'utilisation des installations de GNL, y compris l'indisponibilité prévue ou imprévue desdites
installations […]. »
En application de ces dispositions, la divulgation doit être effectuée publiquement, effectivement et en temps utile.
Elle doit être faite d'une manière simultanée, intégrale et efficace. Les orientations de l’ACER1 sur REMIT2
fournissent des précisions s’agissant des modalités de publication de l’information privilégiée.
Pour qualifier une information de privilégiée, en premier lieu, il faut déterminer si l’élément en cause constitue une
« information » au sens de l’article 2(1) du règlement REMIT. En deuxième lieu, lorsqu’il est déterminé que l’élément
en cause constitue une « information » au sens du règlement REMIT, il faut déterminer si l’information concernée
remplit les quatre critères de la définition de l’information privilégiée, mentionnés à l’article 2(1) de REMIT, ces
critères étant cumulatifs. Le règlement REMIT, dans son article 2(1), définit une information privilégiée comme
étant :
« une information de nature précise qui n'a pas été rendue publique, qui concerne, directement ou indirec-
tement, un ou plusieurs produits énergétiques de gros et qui, si elle était rendue publique, serait
susceptible d'influencer de façon sensible les prix de ces produits énergétiques de gros ».
Notamment, en application de l’article 4(1) du règlement REMIT, doivent être publiées les indisponibilités des ins-
tallations de production lorsque ces informations sont qualifiées de privilégiées aux termes de l’article 2(1) du
règlement REMIT.
Dans ce contexte, l’attention de la CRE s’est portée en 2019 sur la gestion de l’information privilégiée par les
entreprises disposant à la fois d’activités de production d’électricité et de négoce3. Il a été constaté que les acteurs
utilisent des critères établis en interne, notamment relatifs à la puissance minimale des indisponibilités, pour qua-
lifier l’information comme privilégiée.
Dans la continuité des analyses entamées en 2019, la CRE s’est focalisée sur l’un des quatre critères de
qualification de l’information privilégiée, à savoir l’évaluation de l’effet potentiel et sensible sur le prix des produits
énergétiques de gros. A ce titre, la direction de la surveillance des marchés de gros de la CRE a réalisé la présente
étude concernant la sensibilité des prix des marchés court-termes de l’électricité français aux publications des
informations relatives aux indisponibilités des moyens de production en France. Les données utilisées dans le cadre
de cette étude sont des données de RTE et d’EPEX SPOT concernant la période allant du 1er janvier 2015 au
31 décembre 2020.
La méthodologie retenue par la CRE n'est pas exclusive d'autres méthodologies de détermination de la sensibilité
du prix de marché de l’électricité aux publications relatives aux indisponibilités des moyens de production en France,
sur la période considérée. Les résultats de l’étude doivent donc être considérés comme résultants des choix mé-
thodologiques propres à cette dernière et non exhaustifs d'autres approches.
Dans le but de contribuer à la transparence des marchés de gros, la CRE a souhaité publier cette étude afin de
participer à la compréhension par un large public de certains aspects relatifs à la formation du prix de gros ainsi
que d’illustrer la manière dont les jeux de données publiques peuvent être valorisés. Des études similaires ont été
menées sur les marchés allemand et scandinave (Hagemann, 2015; Lazarczyk, 2015; Lazarczyk, 2016; Valitov &
Maier, 2020). Les chercheurs et professionnels peuvent désormais bénéficier d’estimations sur la sensibilité des
prix infra-journaliers de l’électricité aux indisponibilités.
1 L’Agence de coopération des régulateurs de l’énergie. En anglais Agency for the Cooperation of Energy Regulators ou ACER.
2 La 6ème version des orientations de l’ACER en vigueur en date du 22 juillet 2021 est consultable ici : https://documents.acer-remit.eu/wp-
content/uploads/ACER_Guidance_on_REMIT_application_6th_Edition_Final.pdf
3 Voir la Section 1, §1.2 du rapport de surveillance des marchés de gros d’électricité et du gaz naturel portant sur l’année 2019 :
https://www.cre.fr/Actualites/le-rapport-de-surveillance-des-marches-de-gros-de-l-electricite-et-du-gaz-naturel-en-2019
3/32
Septembre 2021
L’étude commence par une revue de la littérature existante pour expliquer le schéma théorique dans lequel l’étude
menée s’inscrit (Section 1). Ensuite, sont exposés la méthodologie choisie et le périmètre de l’étude (Section 2),
l’analyse des données utilisées (Section 3) et les régressions retenues (Section 4). Enfin, les résultats obtenus sont
présentés et mis en perspective (Sections 5 et 6).
1. REVUE DE LA LITTERATURE EXISTANTE AUTOUR DE LA PROBLEMATIQUE ETUDIEE
La revue de la littérature existante fait apparaitre que l’estimation de l’effet des publications des indisponibilités
des moyens de production d’électricité sur les prix des marchés de gros se repose souvent sur les principes du
concept théorique de la prime de risque, qui reflète l’espérance du gain à détenir un produit de gros jusqu’à
échéance donnée. Ex-post, la prime de risque se mesure comme la différence entre la valeur finale et la valeur
antérieure du prix d’un produit de gros pour une période de livraison donnée.
La plupart des études consultées par la CRE se basent sur les principes énoncés dans l’étude sur la prime de risque
par Bessembinder et Lemmon (2002), qui ont élaboré un modèle théorique d’équilibre avec des entreprises
procédant à une maximisation moyenne-variance de leurs profits,pour estimer la prime de risque sur les marchés
à terme de l’électricité aux Etats-Unis (« modèle BL » ci-après). Pour un produit à terme, la prime de risque est la
différence entre le prix au comptant anticipé pour une période de livraison donnée et le prix à terme.
Le produit day-ahead pouvant être assimilé, dans certaines limites, à un produit à terme d’une maturité égale à
une journée. En partant de ce postulat, notamment, Longstaff & Wang (2004) ont appliqué le modèle BL au marché
d’électricité de gros Pennsylvania-New Jersey – Maryland en évaluant la prime de risque court terme calculée
comme la différence entre le prix infra-journalier et le prix day-ahead. Le calcul de la prime de risque de court terme
est appliqué pour chaque heure de la journée correspondant à un produit (équivalent à une période de livraison
donnée) sur le marché de gros. La même méthode a été appliquée pour l’analyse des primes de risque sur le
marché de gros de l’électricité allemand (Viehmann, 2011; Valitov, 2019).
Plusieurs chercheurs se sont par la suite inspirés du modèle BL en transposant le concept de la prime de risque
court terme pour un produit considéré afin d’étudier les effets des publications des indisponibilités des moyens de
production d’électricité. Une telle méthode apparaît notamment intéressante pour deux raisons. Premièrement,
étant donné la proximité du moment où les acteurs du marché doivent se rééquilibrer, une publication d’une indis-
ponibilité constitue un choc inattendu qui apporte une nouvelle information par rapport au moment de l’enchère
day-ahead ce qui est susceptible de modifier le comportement des acteurs et par conséquent le prix infra-journalier.
Deuxièmement, cela permet de se focaliser sur les variations des informations à disposition des acteurs du marché
et évite de recourir à un développement d’un modèle de pricing fondamental du prix, ce qui constituerait une tâche
plus complexe.
A ce titre, pour ce qui concerne plus précisément l’analyse des publications des indisponibilités, quatre études se
distinguent en particulier. L’analyse des effets des publications des indisponibilités fortuites sur les primes de
risques à court terme a été menée sur le marché de gros allemand (Hagemann, 2015; Valitov & Maier, 2020) et
sur le marché nordique de la plateforme Nord Pool (Lazarczyk, 2015; Lazarczyk, 2016).
Lazarczyk (2016) analyse en détail entre 2006 et 2009 l’effet du nombre de publications d’indisponibilités fortuites
selon le type de filière de production concernée et le volume manquant en raison des indisponibilités fortuites pour
une heure de livraison donnée sur la prime de risque court terme en contrôlant avec les variables proposées dans
le modèle BL et en y ajoutant d’autres variables de contrôle. Ses résultats montrent une hausse du prix infra-jour-
nalier par rapport au prix day-ahead avec le nombre de publications et le volume manquant surtout en heure de
pointe. A cette période de la journée, l’indisponibilité des filières marginales pousse plus fortement le prix infra-
journalier à la hausse.
Les études allemandes se différencient en étudiant le volume manquant. Hagemann (2015) montre un effet plus
important des publications d’indisponibilités fortuites en pointe ainsi qu’en hors pointe sur le marché de gros alle-
mand de 2010 à 2011. Valitov & Maier (2020), à l’instar de Lazarczyk (2015), étudie l’effet des indisponibilités
fortuites avant et après leur publication. Valitov & Maier (2020) ne trouvent pas de différence entre la pointe et
hors pointe sur le marché de gros allemand de 2014 à 2016. Par contre, ils trouvent que les volumes manquants
ont un effet plus important sur les prix avant qu’ils soient publiés. Ce qui n’est pas le cas pour Lazarczyk (2015) qui
estime un effet moins grand et faiblement significatif des messages d’indisponibilité avant leur publication.
4/32
Septembre 2021
2. METHODOLOGIE ET PERIMETRE DE L’ETUDE
Une perte de disponibilité de production entraîne mécaniquement une baisse de l’offre d’électricité. Par ailleurs, si
le producteur est déjà engagé par un contrat day-ahead ou à terme, et toutes choses égales par ailleurs, il doit
compenser cette indisponibilité par un achat supplémentaire, augmentant ainsi la demande de l’électricité. Il est
ainsi attendu, en théorie, qu’une hausse des indisponibilités de production entraîne une hausse du prix infra-jour-
nalier par rapport au prix day-ahead.
Eu égard à cette observation, dans le cadre de son étude, la CRE retient une méthode d’analyse similaire à celle
retrouvée dans la littérature sur le sujet (Hagemann, 2015; Lazarczyk, 2015; Lazarczyk, 2016; Valitov & Maier,
2020) qui se focalise ainsi sur l’appréciation de l’impact d’une publication relative à l’indisponibilité d’une centrale
de production en France sur la prime de risque court terme (écart entre le prix infra-journalier et le prix day-ahead)
pour chaque produit horaire concerné, en faisant une régression linéaire.
Les coefficients de la régression linéaire mesurent la sensibilité de la variable expliquée 4 (prime de risque court
terme) à la variable explicative (publication des indisponibilités) sous l’hypothèse de linéarité des relations. Cette
dernière permet de recréer comment la variable expliquée varie en fonction d’une valeur donnée de la variable
explicative en la multipliant par le coefficient. Ainsi, à 1 GW supplémentaire d’indisponibilité annoncée, l’étude
estime la sensibilité en euros de l’écart entre prix infra-journalier et prix day-ahead.
Par différence aux études consultées, l’approche choisie par la CRE considère la variation journalière du volume
total indisponible annoncée par les publications, quel que soit leur motif : indisponibilité fortuite ou planifiée. Sont
ainsi considérées les publications des nouvelles indisponibilités apparues ou les publications de la variation des
indisponibilités déjà annoncées, pendant une période restreinte, pour chaque produit horaire, à la période allant
de la clôture de l’enchère day-ahead et le moment de la dernière transaction effectuée sur le marché infra-journalier
(cf. Section 3.3).
Afin de pouvoir estimer l’effet de la variation journalière de puissance indisponible selon les publications, toutes
choses égales par ailleurs, et à l’instar de la littérature sur le sujet (Lazarczyk, 2015; Lazarczyk, 2016; Valitov &
Maier, 2020), d’autres variables explicatives (appelées « variables de contrôle ») sont incluses dans les régressions
faites dans l’étude.
La présente étude analyse la période allant de janvier 2015 à décembre 2020.
L’étude se repose sur trois méthodes de régression : le modèle linéaire robuste, la régression quantile et la régres-
sion par les moindres carrés ordinaires. Elles sont détaillées dans la Section 4 après la description de l’ensemble
de données sous-jacentes à des différentes variables de régression (Section 3).
3. DESCRIPTION DE L’ENSEMBLE DE DONNEES SOUS-JACENTES DE L’ETUDE
Cette section présente le jeu de données sous-jacentes aux différentes variables de régression et ses caractéris-
tiques qualitatives et quantitatives sous forme de statistiques descriptives. Les moments des séries temporelles
permettent de situer les ordres de grandeur des variables. La stationnarité des variables, sous forme d’absence de
racine unitaire5, est aussi vérifiée pour voir si elles peuvent être utilisées dans une régression. Enfin, les corrélations
révèlent les liaisons entre les variables et permettent de comprendre si les variables varient dans un sens similaire
ou opposé permettant d’identifier des relations causales attendues.
3.1 VARIABLE EXPLIQUEE
La variable expliquée correspond à la prime de risque court terme calculée comme un écart entre le prix infra-
journalier et le prix day-ahead d’électricité français. Pour chaque journée pour chaque produit horaire, les indices
de prix day-ahead et les indices de prix infra-journalier, exprimés en €/MWh, sont pris en compte. Ces données
proviennent d’EPEX SPOT.
Prix day-ahead
Le marché day-ahead est organisé par un système d’enchères tenues en France par les bourses d’électricité
EPEX SPOT et Nord Pool appariant une fois par jour les courbes d’offre et de demande, fixant ainsi les prix de
4Appelée aussi variable dépendante.

5La présence d’une racine unitaire indique une tendance stochastique c’est-à-dire que chaque choc aléatoire impulse une nouvelle tendance
sur la série étudiée.
5/32
Septembre 2021
l’énergie uniques pour chaque produit horaire avec livraison le lendemain. Ce processus de fixation des prix sur un
marché J-1 présente les caractéristiques principales suivantes :
les produits concernés sont les produits horaires qui peuvent être connectés entre eux au moyen de produits
dits « blocs » afin notamment de mieux représenter les contraintes du parc de production ;
les enchères à l’aveugle tous les jours, fermeture du guichet de dépôt des offres à 12h00 ;
la fixation du prix pour chaque heure du lendemain sur le prix marginal ;
publication du résultat de fixation du prix à 12h456 pour tous les marchés couplés ;
l’algorithme de couplage calcule le prix de marché pour chaque unité de marché ainsi que les allocations de
capacité pour chaque frontière en optimisant le « surplus collectif » dégagé par les transactions qui peuvent
être réalisées à ces prix de marché ;
pour une heure donnée et une zone de marché, l’ensemble des transactions sont effectuées au même prix :
cette fixation « uniforme » du prix est un élément fondamental du marché européen de l’électricité, qui rend la
résolution de l’algorithme de couplage plus difficile en présence d’offres « complexes » comme les offres blocs
ou les offres exclusives ;
l’algorithme réalise ainsi chaque jour une optimisation portant sur des centaines de milliers d’offres pour la
journée du lendemain, en une dizaine de minutes environ ;
l’objectif de ce marché est de pouvoir assurer avec une meilleure prévision possible l’équilibre entre offre et
demande pour toutes les heures de la journée du lendemain ;
le plafond de prix : -500 €/MWh et +3000 €/MWh.
Aux fins de la présente étude, les séries journalières des 24 prix day-ahead correspondant à chaque produit horaire
à livraison le lendemain sont prises en compte. Le prix day-ahead, pour une livraison à heure h et vendu la veille
d’un jour t, soit le jour t 1, est noté DAP , .
Prix infra-journalier
Le marché infra-journalier est continu. Il peut avoir lieu sur les plateformes organisées par EPEX SPOT et Nord Pool
et possède les principales caractéristiques suivantes :
les produits échangés sont les produits horaires ou demi-horaires et peuvent être aussi reliés par des ordres
blocs comme sur le marché day-ahead ;
les ordres sont traités jusqu’à 5 minutes avant la livraison physique ;
dès que deux ordres sont compatibles, une transaction est exécutée ;
l’objectif de ce marché est le rééquilibrage des acteurs après les marchés day-ahead en tenant compte de
l’évolution la plus récente de la conjoncture du marché ;
l’intervalle du plafond du prix est beaucoup plus haut que sur le marché day-ahead : +/-9999 €/MWh.
Plusieurs indices du prix infra-journalier existent. A des fins de l’étude, 5 différentes séries de prix infra-journaliers
observés sur la bourse d’électricité EPEX SPOT pour une livraison à heure h et un jour t sont retenues :
l’indice prix d’EPEX SPOT (ID , ) qui est le prix moyen pondéré par les volumes des transactions, et en l’absence
de transaction, le prix est calculé par modélisation,
le prix moyen pondéré (ID , ) par les volumes des transactions,
le dernier prix (ID , ) qui est le prix de la dernière transaction,
le prix minimum (ID , ) parmi toutes les transactions,
le prix maximum (ID , ) de toutes les transactions.
626 May 2021: Starting with 17 June 2021 new operational timings to be applied for daily market coupling process, Communication Note,
SDAC
6/32
Septembre 2021
3.2 PROPRIETES STATISTIQUES DES PRIX
Dans un premier temps sont présentées les données brutes qui sont les niveaux de prix. Dans un second temps,
sont calculés les écarts entre prix infra-journaliers et prix day-ahead qui sont la mesure de la prime de risque. C’est
sur ces valeurs que les régressions sont effectuées.
3.2.1. Statistiques des niveaux de prix
Les prix de gros sont volatils et asymétriques comme il est possible de le voir dans le Tableau 1. Les coefficients
d’asymétrie sont positifs pour le prix day-ahead et les différents indices de prix infra-journalier.
Tableau 1 : Statistiques descriptives des prix de gros français de l'électricité (2015-2020)
Occurrences7 Moyenne Ecart-type min 25% 50% 75% max
DAP , 52604 40,33 19,03 -75,82 28,92 38,51 49,68 874,01
ID , 52485 40,8 20,46 -95,12 28,77 38,72 50,27 979,51
ID , 52468 40,8 20,46 -95,12 28,77 38,72 50,27 979,51
ID , 52468 40,68 22,23 -228,89 28 38,5 50 1110
ID , 52468 34,92 18,18 -228,89 24,3 34 44,79 700
ID , 52468 47,08 27,25 -66,5 33 43,75 56 1600
Cette asymétrie positive est cohérente avec la littérature. Notamment, Bessembinder et Lemon (2002, pp. 1349-
1350) l’expliquent par les raisons suivantes :
« L'asymétrie positive des prix de gros de l'électricité est attribuable à la non-stockabilité de l'électricité. Le
prix à terme de l'électricité à l'équilibre est combiné à la convexité de la courbe d'offre de l'industrie. Lors-
que la demande d'électricité prévue est faible et que la variabilité de la demande est modeste (comme on
peut s'y attendre pendant les mois tempérés du printemps et de l’automne), il y a peu d'asymétrie dans les
prix au comptant [...] En revanche, lorsque la demande prévue est élevée par rapport à la capacité ou
lorsque la demande est plus variable, la distribution des prix au comptant de l'électricité devient positi-
vement asymétrique. »8
Les prix de l'électricité se traduisent par des queues de distribution épaisses, c’est-à-dire que leurs distributions se
caractérisent par des événements extrêmes plus probables que pour une loi normale. Ce phénomène s'explique
par les sauts des prix de gros de l'électricité. Un saut est défini comme une augmentation importante et soudaine
du prix de gros de l'électricité suivi d'un retour à son niveau normal. Parallèlement à ces phénomènes de saut, les
prix tendent à retourner à la moyenne. Cette volatilité très forte s'explique par le fait que l'électricité ne se stocke
pas, ce qui force à un équilibre continu entre production et consommation (Weron, 2005).
L'asymétrie positive et la présence d'événements extrêmes donnent une distribution aux prix de gros de l'électricité
très différente de la loi normale, comme le montre le
Tableau 2. Ce dernier présente le coefficient d'Asymétrie de Fisher-Pearson et le coefficient de Kurtosis (ou coeffi-
cient d’acuité) de Fisher pour les différentes séries de prix9. Pour chaque valeur a été calculé un z-score10, afin de
tester si elle est différente ou non de celle de la loi normale. L'hypothèse de l'égalité avec les coefficients de forme
de la loi normale est systématiquement rejetée. Ce résultat est cohérent avec la littérature qui montre que les prix
7 Les différences d’occurrence s’expliquent par la disponibilité des données. Il n’y a pas de créneau horaire manquant pour les prix day-ahead,
ce qui n’est pas le cas pour les créneaux horaires infra-journaliers, ce qui reste marginal (moins de 0,2 % du nombre d’occurrences) et n’intro-
duit pas d’aberration dans les résultats obtenus.
8 Traduction libre de l’anglais : « Positive skewness in wholesale power prices is attributable to the nonstorability of power combined with con-
vexity in the industry supply curve. When expected power demand is low and demand variability is modest (as might be expected during
the temperate months of spring and fall), there is little skewness in spot prices, and power retailers’ desire to hedge their revenues leads to a
downward bias in equilibrium forward prices. ».
9 Les valeurs ont été calculées avec le module scipy.stats du paquet scipy dans le langage python.
10 Le z-score est le ratio de la différence entre la valeur de la statistique estimée avec celle de la loi normale avec l'écart-type de la statistique
estimée.
7/32
Septembre 2021
de l'électricité ne suivent pas une loi normale et qu'ils sont marqués par une asymétrie positive et des queues de
distribution épaisses.
Toutes les valeurs du
Tableau 2 ont une valeur p inférieure à 1%, soit une probabilité supérieure à 99% qu’elles ne soient pas le fruit du
hasard11.
Mesurer la significativité avec la valeur p

La valeur p est la probabilité qu’une estimation obtenue soit le fruit du hasard. Les seuils habituels pour jauger la
significativité sont de 1 % (« forte »), 5 % (« moyenne ») et 10 % (« faible »).
Dans les différents tableaux de résultats des estimations présentés dans la présente étude, une case verte indique
que le coefficient a une valeur p inférieure à 1 %. Les couleurs bleu et magenta correspondent à des seuils de 5 et
10 % respectivement.
Tableau 2 : Coefficient d'Asymétrie de Fisher-Pearson et coefficient de Kurtosis de Fisher des séries de prix
Asymétrie Kurtosis
DAP , 5,57 196,39
ID , 5,02 145,65
ID , 5,02 145,69
ID , 6,55 199,77
ID , 1,48 44,2
ID , 12,61 456,13
Enfin, les prix de gros de l'électricité sont marqués par une saisonnalité qui s'exprime à plusieurs horizons tempo-
rels. La Figure 1 montre la sensibilité journalière des prix de gros aux heures de pointe. Les prix sont plus élevés au
moment du pic entre 8 et 20h avec deux maxima locaux, un à 8h et l'autre en début de soirée vers 18-20h. Les
courbes de l'indice prix d'EPEX SPOT (IDP , ), du prix moyen pondéré (IDP , ) et du dernier prix (IDP , ) infra-journa-
lier suivent celle du prix day-ahead. Les courbes des prix maximum et minimum encadrent les autres courbes.
Figure 1 : Moyenne horaire des séries de prix day-ahead et infra-journalier sur la période 2015-2020
11Les tests utilisés sont ceux de D'agostino, Belanger, & D'agostino Jr. (1990) pour la symétrie et Anscombe & Glynn (1983) pour la Kurtosis
respectivement appliqués avec les fonctions skewtest et kurtosistest de scipy-stats.
8/32
Septembre 2021
La sensibilité à des fréquences temporelles moins élevées que le pas horaire est captée par le modèle additif
suivant :
DAP , , , , 1
Où :
DAP , est la moyenne arithmétique des prix pour une fréquence f (la journée ou le mois) à un pas de temps t,
( , ) est le trend qui représente la tendance temporelle du cours,
( , ) est la composante saisonnière qui capture la variation cyclique du cours,
( , ) est le résidu, qui équivaut aux variations ne faisant pas partie de ces deux dernières composantes.
La variation intra-journalière des prix suit un cycle qui résulte de l’effet cumulé des températures, de la luminosité
et de l'activité des différents types de consommateurs.
La Figure 2 illustre la sensibilité hebdomadaire du prix day-ahead sur l’exemple du mois de décembre 2020. La
figure est composée de 4 graphiques conformément aux termes de l’équation 1 . Le premier graphique en haut
dans chaque colonne montre le prix day-ahead, le deuxième la tendance temporelle, puis le troisième la sensibilité
et le dernier les résidus. Il peut être observé que l'activité plus faible le week-end fait baisser la consommation
d'électricité.
Figure 2 : Décomposition journalière sur décembre 2020
9/32
Septembre 2021
Enfin, les saisons influencent l'ensoleillement et les températures, ce qui crée aussi un effet de saisonnalité an-
nuelle (Figure 3).
Figure 3 : Décomposition mensuelle de 2015 à 2020
La présence de tendance et de saisonnalité (cf. en graph Trend et Seasonal) renforce le choix méthodologique de
focalisation sur les écarts entre les prix infra-journalier et day-ahead (au lieu de la construction du modèle de pri-
cing). Pour évaluer l’effet des indisponibilités sur les prix, il suffit ainsi de le contrôler par les variables qui apportent
une nouvelle information en l’espace de 24h.
3.2.2. Statistiques des écarts de prix
Pour chaque indice de prix infra-journalier retenu pour une heure h un jour t, l'écart de prix avec le prix day-ahead
de la veille pour la même heure (DAP , ) est calculé12. Les distributions des écarts calculés sont décrites dans le
Tableau 3. Les moyennes des écarts de l'indice prix d'EPEX SPOT (IDP , ), du prix moyen pondéré (IDP , ) et du
dernier prix (IDP , ) avec le prix day-ahead sont proches de zéro, ce qui est cohérent avec la Figure 1, montrant que
les courbes sont centrées. L'indice prix d'EPEX SPOT et le prix moyen pondéré ont une distribution similaire. La
volatilité journalière est environ deux fois plus grande pour le dernier prix que pour les deux séries précédentes. Les
écarts avec les prix maximum et minimum, eux sont logiquement différents de zéro donc biaisés. La volatilité de
l'écart avec le prix maximum (IDP , ) est deux fois plus grande qu'avec celui au prix minimum (IDP , ). A l'exception
de l'écart entre prix day-ahead et prix minimum infra-journalier, tous les coefficients d'asymétrie des séries d'écarts
de prix sont positifs. Ce qui indique une distribution décalée à droite de la médiane, et donc une queue de distribu-
tion étalée vers la gauche. C'est un résultat cohérent avec les pics de prix observés sur le marché infra-journalier et
le fait que le prix maximal autorisé y est plus de trois fois supérieur à celui sur le marché day-ahead.
12 Comme il a été susmentionné, un nombre infime (moins de 0,2 % du nombre d’occurrences) des indices de prix infra-journalier n’était pas
disponible pour certaines périodes de livraison. Pour des besoins de calcul, lorsque des prix infra-journaliers ont été manquants pour la même
période de livraison que les prix day-ahead, la prime de risque est fixée à zéro. Ce retraitement évite la discontinuité dans les séries de données.
De plus, comme il est expliqué ensuite dans la Section 4.1, la valeur de la veille pour les mêmes heures est utilisée comme variable explicative
ce qui a pour conséquence que l’on passe de 52604 occurrences (Tableau 1) à 52580 occurrences puisque la première journée de la période
analysée (le 01/01/2015) est retranchée de l’ensemble de données.
10/32
Septembre 2021
Comme cela a été précisé au début de l’étude, d'un point de vue économique, l'écart de prix [infra-journalier – day-
ahead] constitue la prime de risque court terme13,14. Ainsi, pour chaque indice de prix infra-journalier
ES,MP,DP,MA,MI , on peut calculer la prime de risque réalisée à l'heure h pour un jour t (IDP , ) tel que :
∀ ∈ ES,MP,DP,MA,MI , RP , IDP , DAP , 2
Ces primes de risque ex-post constituent les variables endogènes et peuvent être décomposées en deux parties
(Haugom & Ullrich, 2012), la prime de risque ex-ante (ou gain attendu) et l'erreur de prévision. Si cette dernière est
un bruit blanc, la prime de risque ex-post (ou gain réalisé) est un bon indicateur de la prime de risque ex-ante. Il en
résulte alors qu'une preuve d'une prime de risque ex-post non nulle est aussi une preuve de l'existence d'une prime
de risque ex-ante non nulle.
Tableau 3 : Statistiques des écarts de prix sur 52 580 observations entre 2015 et 2020
Moyenne Ecart-type min 25% 50% 75% max
RP , 0,44 6,99 -189,41 -2,54 0,05 2,77 353,52
RP , 0,44 6,99 -189,41 -2,54 0,05 2,77 353,52
RP , 0,33 11,95 -693,79 -4,00 -0,02 3,72 692,15
RP , ! -5,42 7,67 -699,79 -7,66 -4,19 -1,49 34,81
RP , " 6,71 15,96 -66,92 1,51 4,38 8,29 1002,00
Les distributions des primes de risques sont toutes asymétriques et caractérisées par queues épaisses. A l'excep-
tion des prix extrêmes, les primes de risque calculées avec tous les autres indices #$,MP, %P) ont un rendement
médian proche de zéro inférieur à la moyenne, mais un maximum très élevé.
Focus sur les moyennes horaires des écarts entre prix infra-journalier et day-ahead
Un écart moyen positif entre les prix infra-journalier et prix day-ahead signifie qu’il est plus onéreux pour un acteur
de rééquilibrer sa position proche du temps de livraison de l’électricité. Il pourrait être supposé à ce que les indis-
ponibilités fortuites se sont fait ressentir surtout sur les heures où le prix infra-journalier est le plus élevé par rapport
au prix day-ahead en moyenne (sauf pour le prix minimum infra-journalier où l’inverse est supposé).
Le Tableau 4 montre les écarts moyens significatifs entre les différents indices des prix infra-journalier et le prix
day-ahead. Les écarts moyens sont très significatifs avec une valeur p inférieure à 1 % pour l'indice de prix
EPEX SPOT et le prix moyen pondéré entre 3h et 8h et entre 13h et 18h. A l’exception du créneau horaire de minuit,
aucune moyenne négative n'est significative pour les écarts calculés avec les indices en question. L'écart calculé
avec le dernier prix est très significatif pour les créneaux 5-6h et 14-17h. Il est à noter que la moyenne du créneau
de 21h qui est négative pour le dernier prix est significative avec une valeur p inférieure à 5 %. Un écart moyen
positif indique qu'en moyenne les acteurs longs sur le day-ahead qui débouclent leurs positions sur le marché infra-
journalier sont gagnants. Dans le cas d'un écart négatif, ce sont les acteurs courts qui sont gagnants.
13 La littérature étudiée sur le sujet analyse notamment la prime de risque court terme de point de vue financier car cette prime rémunère une
position longue sur le marché day-ahead débouclée sur le marché infra-journalier. Cette rémunération peut être positive, dans ce cas, elle est
un gain pour la position longue et une perte pour la position courte. A l'opposée, si elle est négative, gain et perte sont inversés pour les positions
longues et courtes. Cependant, dans la présente étude ces aspects ne sont pas analysés, l’étude se focalise sur les effets de publications des
indisponibilités sur l’écart de prix infra-journalier et day-ahead.
14 Seulement les primes de risque réalisées ou dîtes ex-post sont visées pour mesurer l'effet des publications d'indisponibilité. Le pouvoir pré-
dictif du prix infra-journalier par le prix day-ahead est laissé de côté. Sur ce sujet voir Haugom et Ullrich (2012). A l'opposée, Viehmann (2011)
et Valitov (2019) ont fait le choix d'étudier des primes de risque ex-ante en prenant un indice des prix OTC comme proxy.
11/32
Septembre 2021
Tableau 4 : Moyennes des écarts de prix selon le produit horaire concerné
H0 -0,26 -0,25 -0,25 -4,7 4,29

H1 -0,08 -0,08 0,02 -4,65 4,62
H2 0,05 0,05 -0,01 -4,5 4,64
H3 0,27 0,27 0,19 -4,43 5,06
H4 0,33 0,34 0,33 -4,38 5,2
H5 0,37 0,38 0,81 -4,6 5,55
H6 0,76 0,76 0,92 -5,07 6,86
H7 0,5 0,5 0,11 -5,8 6,85
H8 0,58 0,58 0,04 -5,95 7,47
H9 0,29 0,29 -0,41 -6,16 7,1
H10 0,31 0,31 0,41 -5,68 7,19
H11 0,12 0,12 0,53 -5,69 7,06
H12 0,26 0,26 0,4 -5,74 6,88
H13 0,54 0,54 0,28 -5,69 6,89
H14 1,06 1,06 1,48 -5,18 7,81
H15 1,11 1,12 0,99 -4,98 7,76
H16 1,13 1,14 0,85 -5 7,59
H17 1,16 1,17 0,76 -5,28 8,63
H18 1,06 1,06 0,88 -6,73 9,42
H19 0,42 0,43 -0,4 -7,11 8,61
H20 0,15 0,15 -0,53 -6,08 6,99
H21 0,31 0,32 0,16 -5,3 6,12
H22 0,16 0,17 0,54 -5,45 6,26
H23 -0,06 -0,05 -0,27 -5,97 6,16
La Figure 4 fait apparaître les moyennes des écarts calculés selon les différents indices de prix infra-journalier. On
retrouve le mouvement en dos de chameau des moyennes de prix (à l’instar de la Figure 1), mais décalé. La
moyenne des écarts est plus forte dans les phases ascendantes de la montée des prix par comparaison des figures
Figure 1 et Figure 4.
12/32
Septembre 2021
Figure 4 : Moyennes horaires des écarts entre prix infra-journalier et day-ahead sur la période 2015-2020
Les écarts avec les prix maximum et minimum sont logiquement différents de zéro. Le mouvement en dos de cha-
meau est moins décalé avec la Figure 1 pour les écarts avec ces deux indices de prix que pour les autres indices
comme le montre la Figure 5. Il est possible de constater que les valeurs absolues des extrema sont plus éloignées
lors de la pointe (de 8h à 20h) que hors pointe.
Figure 5 : Valeurs absolues des moyennes horaires des écarts entre prix infra-journalier et day-ahead minimum et
maximum sur la période 2015-2020
La signification des moments des rendements dans le trading directionnel

La moyenne (ou moment d’ordre 1) estime l’espérance d’une série sur une période donnée15.
15Par ailleurs, la moyenne du rendement entre le prix infra-journalier et le prix day-ahead montre le gain que pouvait espérer un tradeur sur
cette période en achetant day-ahead et en revendant infra-journalier.
13/32
Septembre 2021
La variance (ou moment d’ordre 2) représente la dispersion des valeurs autour de la moyenne. Elle est un outil de
mesure du risque pour les traders car plus la variance est forte, plus le gain est variable.
L’asymétrie - skew (ou moment d’ordre 3) évalue de quel côté penchent les valeurs autour de la moyenne. Le
coefficient d’asymétrie est positif si la moyenne penche vers la gauche avec une queue longue vers la droite. Dans
le cas inverse, le coefficient est négatif. Dans le premier cas, la distribution ressemble à celle d'une loterie (grande
probabilité d'un résultat négatif, mais faible probabilité d'un résultat extrêmement positif).
Les écarts des prix observés ont tous une distribution différente de la loi normale. Ils présentent tous une asymétrie
positive et des queues épaisses, à l'exception de l'écart entre prix infra-journalier minimum et prix day-ahead qui a
un coefficient d'asymétrie négatif (Tableau 5). Pour ce dernier, les valeurs négatives ont tendance à être les plus
grandes en valeur absolue et à tirer la moyenne vers le bas. La présence de queue épaisse est prouvée par les
coefficients de Kurtosis très significativement différent du coefficient de la loi normale (qui est de 3). L’acuité très
importante des courbes de distribution dans le tableau ci-dessous indique que les primes de risques ont une distri-
bution leptokurtique. C’est-à-dire qu’elles se caractérisent par une courbe de densité pointue sur la moyenne et des
extrémités importantes. Les valeurs extrêmes des primes de risque ont une probabilité plus importante que si elles
suivaient la distribution normale.
Tableau 5 : Coefficient d'Asymétrie de Fisher-Pearson et coefficient de Kurtosis de Fisher des séries des écarts de
prix pour l’ensemble des valeurs de 2015 à 2020
Asymétrie Kurtosis
RP , 7,41 314,63
RP , 7,40 314,43
RP , 6,52 633,03
RP , -21,65 1554,35
RP , 28,9 1463,25
Les anticipations des moments d’ordre 2 et 3 sont les ressorts de la prime de risque ex-ante théorisés dans la
littérature (Bessembinder & Lemmon, 2002). Les moments pour les dernières 24 heures pour chaque occurrence
des séries des écarts de prix (ou primes de risque ex-post) sont utilisés comme proxy pour les anticipations des
moments. Les coefficients d’asymétrie du Tableau 6 sont beaucoup plus proches de zéro que ceux du Tableau 5.
L’asymétrie est plus faible sur une journée que sur l’ensemble de la période qui va de 2015 à 2020. La comparaison
des variances dans le Tableau 6 avec les écarts-types du Tableau 3 montre que la volatilité sur 24h est plus faible
que pour l’ensemble de la période elle aussi.
Tableau 6 : Asymétrie et Kurtosis des séries des écarts de prix sur les dernières 24h de 2015 à 2020
Moyenne Variance min 25% 50% 75% max
RP , Va 32,96 231,57 0,00 5,93 10,95 20,55 10224,60
Ske 0,14 0,81 -4,69 -0,34 0,10 0,57 4,69
RP , Va 32,97 231,57 0,00 5,94 10,96 20,61 10224,60
Ske 0,14 0,81 -4,69 -0,34 0,10 0,57 4,69
RP , Va 116,20 768,55 0 19,52 33,44 63,62 18951,31
Ske 0,19 1,09 -4,69 -0,42 0,12 0,72 4,66
RP , Va 44,65 454,12 0,00 8,58 15,50 28,85 18219,98
Ske -0,80 0,88 -4,69 -1,21 -0,67 -0,24 3,04
RP , Va 193,97 2620,03 0,00 9,62 18,35 42,97 104234,16
Ske 0,96 0,96 -4,69 0,33 0,8 1,43 4,69
14/32
Septembre 2021
3.3 VARIABLES EXPLICATIVES PHYSIQUES
Comme pour les écarts de prix qui sont les variables endogènes de la régression, les variables exogènes ont aussi
une fréquence horaire. Les données pour les variables exposées dans cette partie proviennent de RTE.
Variable d'intérêt
La variable d'intérêt est la variation journalière de la puissance de production indisponible (fortuite ou planifiée)
publiée par les acteurs de marché sur le créneau horaire en MW (ΔPU , , ) tel que :
ΔPU , , PU , , PU , ,
Avec PU , , qui est la puissance indisponible de production annoncée pour l'heure h le jour t selon les publications
des producteurs le jour s et Δ l’opérateur de différence d’une variable avec sa valeur précédente. Le calcul de
PU , , prend en compte toutes les indisponibilités publiées jusqu'à 30 minutes avant la clôture de l'enchère
day-ahead soit 11h30 le jour t 1. Le calcul de PU , , s'arrête au moment de la dernière transaction sur le marché
infra-journalier pour le produit concerné. ΔPU , , représente la nouvelle information publiée sur les indisponibilités
de production un jour t pour l'heure h de ce même jour.
La même méthode de calcul est aussi appliquée en faisant la différenciation des filières dans la Section 5.3. ce qui
permet de différencier la sensibilité des primes de risque court terme aux indisponibilités selon la nature de l’éner-
gie utilisée.
Variables de contrôle
Les variables de contrôle retenues correspondent aux principaux éléments fondamentaux pouvant influencer la
formation du prix entre la clôture du marché day-ahead et la période de livraison.
D’un côté ce sont les erreurs de prévision journalières qui sont calculées systématiquement comme la variable
réalisée à l'heure h le jour t et la prédiction faite la veille en t 1. L'opérateur E ⋅ désigne l'espérance mathéma-
tique d'une variable. La prévision d'une variable la veille est l'opérateur d'espérance mathématique le jour t 1. Ce
dernier est noté ⋅.
De l’autre côté, c’est le solde des flux physiques à la frontière qui traduit la situation du marché français par rapport
à ceux des pays voisins (notamment l’Allemagne). Les niveaux d’importations et d’exportations sont très dépen-
dants des filières utilisées comme le souligne Pham (2019) :
« Lorsque la demande intérieure est faible, la France exporte la capacité nucléaire excédentaire vers des
pays voisins où les prix sont plus élevés (les prix de l'électricité en Italie sont parmi les plus élevés).
Pendant les heures où la demande intérieure est élevée et où la capacité disponible est limitée, des
importations sont effectuées à partir de pays où les prix sont plus bas, notamment à partir de l'Allemagne,
grâce à l'intégration massive d'une production d'énergie éolienne bon marché ces dernières années. »16
Le constat ci-dessus de Pham (2019) amène à la conjecture suivante que plus la France importe, plus le prix infra-
-journalier sera faible. On s’attend à ce que la France ait tendance à importer plutôt de l’électricité d’origine renou-
velable peu chère et à l’inverse, à exporter quand les prix sont plus élevés pour combler notamment un niveau plus
faible d’énergie produite par les énergies renouvelables en Europe notamment en Allemagne.
Les variables de contrôle ainsi incluent :
L'erreur de prévision de la consommation (en MWh) à J-1 qui est la différence entre la consommation
réalisée pour l'heure h le jour t ( , ) et la prévision de la consommation la veille ( , ). L'erreur de
prévision de la consommation d'électricité est notée FE , tel que :
FE , , ,
L'erreur de prévision de la production d'électricité par les énergies renouvelables (ENR) intermittentes17
(en MWh) à J-1 qui est la différence entre la production d'électricité par les ENR réalisée l'heure h le jour t
( , ) et la prévision de la production d'électricité par les ENR de la veille ( , ). L'erreur de prévi-
sion de la consommation d'électricité est notée FE , tel que :
16 Traduction libre de l’anglais : « When domestic demand is low, France exports the excess nuclear capacity to higher price neighbouring coun-
tries (electricity prices in Italy are among the highest). During hours when domestic demand is high and available capacity is restricted, imports
occur from lower price countries especially from Germany thanks to its massive integration of inexpensive wind power generation in recent
years. »
17 Les ENR intermittentes incluent le solaire et l’éolien.
15/32
Septembre 2021
FE , , ,
Le solde des flux physiques à la frontière (en MWh) qui est la différence entre les importations et les expor-
tations de flux d'électricité N , ). Un solde positif signifie que les flux d'électricité venant de l'étranger
représentent un volume plus grand que celui des flux sortants vers l'étranger.
Statistiques des variables explicatives physiques

Le Tableau 7 montre la distribution des variables de contrôle ainsi que de la variable d’intérêt (ΔPU , , ) au total et
en distinguant le type d'énergie. La majorité des variations journalières d'indisponibilité concernent l'énergie nu-
cléaire. Les variations journalières d'indisponibilité sont elles aussi tirées par des valeurs extrêmes.
Les erreurs de prévision (FE , et FE , ) ont une moyenne et une médiane positive, ce qui tend à indiquer un léger
biais de surestimation. Quant au solde des flux échangés (N , ), il est en moyenne négatif comme c’est le cas
pour les trois premiers quartiles. Cela signifie que la France est exportatrice nette d’électricité la plupart du temps.
Tableau 7 : Statistiques des variables explicatives physiques
(MWh) Moyenne Variance Min 25% 50% 75% Max
FE , 167,59 1103,32 -9381,50 -533 124,5 825,88 9822,00
FE , 216,79 1712,39 -11612,49 -308,09 123,11 746,00 11318,77
N , -5980,10 4045,82 -17288,25 -8865,62 -6348,50 -3519,00 8813,25
ΔPU , , 986,55 1304,65 -4100,00 100,00 774,79 1615,00 14244,00
Nucléaire 754,85 1135,83 -3520,00 0,00 525,00, 1321,92 9254,00
ENR18 24,29 169,65 -1705,00 0,00 0,00 92,00 1945,33
Fossile19 207,41 497,32 -1819,00 0,00 0,00 425,00 5083,63
3.4 STATIONNARITE DES VARIABLES
La stationnarité des variables du jeu de données a été vérifiée avec un test de Dickey-Fuller augmenté (ADF). L’hy-
pothèse nulle est la présence d’une racine unitaire du polynôme caractéristique du processus autorégressif de la
variable étudiée. L’hypothèse alternative est une racine inférieure à 1. Le nombre de retards ( ) dans le test ADF
est choisi avec le critère d'information d'Akaike (AIC). La version choisie du test ADF est celle avec une constante.
Par exemple, pour la variable RP , , l’équation de test est20 :
'
Δ , c π , 1 " #$ ∆ , $& *
$()
Avec c comme constante, p le nombre de retards (choisi avec le critère d’information d’Akaike21), φ$ le coefficient
de sensibilité de la différence au retard j correspondant au jour t j 1 et un résidu * . Le paramètre d’intérêt est
le coefficient π. Sous l’hypothèse nulle de racine unitaire qui implique la non stationnarité, le coefficient π est non
significatif. Les coefficients de l’équation de test sont estimés par la méthode des moindres carrés ordinaires. La
procédure est appliquée à toutes les variables dans le Tableau 8 qui montre qu’elles sont toutes stationnaires. Dès
lors, il est possible d’établir des relations linéaires stables entre les différentes variables.
18 La catégorie ENR inclue quant à elle les énergies hydrauliques (lacs, STEP et fil de l’eau /éclusée), l’énergie marine, biomasse et autre.
19 Dans la catégorie fossile, sont inclus les centrales charbon, fioul et gaz.
20 L’équation est reprise d’Ertur (1998, p. 7).
21 Le critère d’information d’Akaike (AIC).
16/32
Septembre 2021
Tableau 8 : Stationnarité des variables

Statistique de test Nombre de retards Occurrences
RP , -25,94 52 52527
RP , -23,16 53 52567
RP , -32,50 26 52594
RP , -24,65 49 52530
RP , -23,39 58 52562
RP , -26,68 50 52570
RP , -25,21 47 52532
RP , -24,39 58 52562
RP , -29,95 28 52592
RP , -36,91 26 52553
RP , -23,10 58 52562
RP , -25,49 54 52566
RP , -25,95 52 52527
RP , -23,16 53 52567
RP , -32,35 26 52594
FE , -22,91 57 52564
FE , -22,23 58 52563
, -11,45 58 52563
PU , , Autre -43,77 58 52563
PU , , Biomasse -18,46 58 52563
PU , , Charbon -22,84 57 52564
PU , , Fioul -22,58 58 52563
PU , , Gaz -32,80 25 52596
PU , , Hydraulique STEP -32,06 31 52590
PU , , Hydraulique fil de l'eau / éclusée -30,68 39 52582
PU , , Hydraulique lacs -33,64 24 52597
PU , , Marin -22,84 58 52563
PU , , Nucléaire -23,94 51 52570
PU , , Total -24,28 50 52571
3.5 CORRELATION DES VARIABLES
La corrélation mesure l’intensité de la liaison entre deux variables. Si elles ne varient pas ensemble, la corrélation
est de 0. Si elles varient tout le temps dans le même sens parfaitement, le coefficient de corrélation sera de 1.
Dans le cas d’une variation contraire parfaite, le coefficient est de -1.
Les corrélations entre les variables utilisées pour l'ensemble des variables sont exposées dans la Figure 6. Les
séries et les moments des primes de risque ont une corrélation positive forte (symbolisées par des carrés rouges).
Le changement de prévision de la production des ENR a une corrélation négative avec les séries de prix. Cela
s'explique par le fait que plus la production est grande, plus l'offre d'électricité est élevée et donc plus le prix infra-
journalier diminue. A l'inverse, le solde des flux échangés est corrélé positivement avec les prix. Ce qui s'explique
par le fait que quand la France est importatrice nette d'électricité, il s'agit d'une situation tendue donc les prix sont
plus élevés. Les indisponibilités (notamment pour l'énergie nucléaire) sont elles aussi logiquement corrélées posi-
tivement avec la prime de risque.
Il est important de noter que la corrélation montre si des variables sont liées, mais n'établit pas de causalité. Pour
voir si on peut décomposer la variation des primes de risques à partir des variables explicatives, une régression est
utilisée. La méthode de régression consiste à estimer les paramètres d'une fonction qui établit une relation entre
d'un côté la variable d'intérêt et de contrôle et de l'autre, la prime de risque (qui joue le rôle de variable expliquée).
17/32
Septembre 2021
Figure 6 : Corrélations des variables utilisées dans les différentes régressions
4. REGRESSIONS UTILISEES
4.1 MODELE LINEAIRE ROBUSTE (MLR)
La première méthode choisie est celle de la régression linéaire robuste. Les variables expliquées sont mises en
équation par une somme pondérée par un coefficient des variables explicatives à laquelle s'ajoute un terme d'er-
reur. L'équation de la régression de l'étude, pour un indice à une heure et un jour ,s'écrit tel que :
∀ ∈ ES,MP,DP,MA,MI , RP , α β ΔPU , γ , ε , 3
α est une constante. β est le coefficient qui mesure la sensibilité de la prime de risque à la variation journalière
des indisponibilités de production publiées β Δ , ), qui est la variable d'intérêt de l'étude. γ est un vecteur ligne
des coefficients de variation de la prime de risque aux variables de contrôle incluses dans le vecteur colonne , .
Ces dernières ont uniquement pour rôle de capturer la variation correspondant à cette variable pour que l’analyse
se fasse « toutes choses égales par ailleurs ». Le vecteur colonne , inclue les variables explicatives physiques,
ainsi que d’autres variables explicatives comme les moments centrés d’ordre 2 et 3 de la prime de risque pour les
dernières 24h et la valeur de la prime de risque 24h auparavant pour prendre en compte l’autocorrélation des prix
(Lazarczyk, 2016). Un récapitulatif des variables explicatives est donné dans le Tableau 9. Enfin, ε , représente un
terme d'erreur (ou bruit blanc).
18/32
Septembre 2021
Tableau 9 : Abréviations des variables utilisées
α
Abréviation Signification Type de variable
ΔPU ,
Constante Constante
Capacités indisponibles publiques publiées le jour même Intérêt
FE
GW
Erreur de prévision de la consommation horaire Contrôle
FE
GWh (variables incluses
Erreur de prévision de production horaire d’électricité par les ENR dans le vecteur
, )
N ,
GWh
Solde des flux physiques par heure
Va
GWh
Variance de l’écart de prix entre infra-journalier et day-ahead pour les der-
Ske
nières 24h
Asymétrie de l’écart de prix entre infra-journalier et day-ahead pour les der-
RP ,
nières 24h
Valeur de l’écart de la veille pour la même heure
Les valeurs des paramètres β et γ sont obtenues par M-estimation. Cette méthode consiste à minimiser une
somme de fonctions de perte pour un jeu de données en modifiant les valeurs des paramètres. La fonction de perte
la plus connue est celle des moindres carrés qui consiste à trouver les paramètres qui minimisent la somme des
carrés des résidus de la régression. Plus un résidu est important, plus il va compter dans la somme du fait de la
nature quadratique de la fonction de perte des moindres carrés.
Or, les variables décrites dans la Section 3 ont des queues de distribution épaisses. Pour éviter de surpondérer les
valeurs extrêmes, une autre fonction de perte est choisie. Il s'agit de la fonction de perte ( ! ) (Huber, 1964) tel
que22 :
$ $
( * si . . / 0
L! #$% & ' ) )
$ δ
δ#. . % sinon
) 2
Où δ est le seuil de Huber. Il délimite à partir de quel niveau d’éloignement un résidu est pondéré à la baisse. Une
valeur commune pour δ est 1,345. Les résidus centrés-réduits voient leur poids diminuer quand ils sont supérieurs
à 34,5 % du paramètre d’échelle s. Ce dernier est calculé avec l’écart absolu médian qui est la médiane des valeurs
absolues des différences entre chaque résidu et la médiane des résidus. La fonction 6 est appliquée aux résidus
(ε8 , ) de l’équation # 3 %.
Huber. Le programme de minimisation des pertes pour la fonction L! et des résidus notés ε8 , s’écrit tel que :
Ainsi, les résidus au-delà d’un certain seuil ont un poids décroissant dans la somme des fonctions de perte de
D / / F F
min ? 6 @RP , A α8 B β8 ΔPU , B γ8 , C

#;< ,=< ,>< %
GF /F / F H
Cette minimisation permet de calculer les estimations des paramètres de la régression.
4.2 REGRESSION QUANTILE
Une autre méthode utilisée est celle des régressions quantiles qui « reposent sur un principe proche de celui de la
régression linéaire classique. De même que cette dernière se fonde sur une modélisation linéaire de l’espérance
conditionnelle de la variable d’intérêt en fonction de ses déterminants, les régressions quantiles consistent à sup-
poser que les quantiles conditionnels de cette variable d’intérêt sont linéaires. Elles fournissent cependant une
description plus riche que les régressions linéaires, puisqu’on peut ainsi étudier l’ensemble de la distribution con-
ditionnelle de la variable d’intérêt et non seulement la moyenne de celle-ci. » (D’Haultfœuille & Givord, 2014)
22L’équation a été reprise de la page wikipédia anglophone sur le sujet et adaptée avec la documentation de statsmodel pour prendre en
compte le passage à l’échelle des résidus.
19/32
Septembre 2021
Les quantiles sont des valeurs qui séparent une série temporelle en catégories hiérarchisées avec un même nombre
de valeurs, des plus faibles jusqu’aux plus grandes. Par exemple, le premier quartile sépare les 25 % des valeurs
les plus faibles du reste, le deuxième (ou médiane) les 50 % plus faibles du reste et le dernier sépare les 25 % les
plus élevées du reste.
Pour un indice de prix infra-journalier i, il est supposé que la prime de risque court terme a une fonction de
répartition définie par un opérateur de probabilité P tel que qui donne la probabilité que la
prime de risque soit inférieure à une valeur r quelconque. Le quantile q correspondant à une proportion τ (comprise
entre 0 et 1 exclus) est défini par la fonction suivante :
inf : τ
Tous les créneaux horaires ont été mélangés pour pouvoir procéder à une approche de la distribution de la prime
de risque. Il s’agit d’estimer l’équation 4 pour chaque quantile tel que :
∀ ∈ ES,MP,DP,MA,MI , RP% α ' β ΔPU% ' γ ,% ' ε. ,% , /012 3ε. ,% 4 0
Les coefficients α. , β. , γ. permettent d’estimer . Tous les créneaux horaires sont mélangés dans l’équation
ci-dessus. Mathématiquement, il s’agit d’un problème équivalent à l’application de fonction de perte suivante:
9 : 1 7 si 7 = 0
L 7 8
97 si 7 0
Les estimations des coefficients sont calculées avec la minimisation suivante :
EF/FH/HIHI
min C D 3RP% : α ' β ΔPU% ' γ ,% ' ε. ,% 4

?@ ,A@ ,B@
%JIF/IF/HIFK
4.3 REGRESSION PAR LES MOINDRES CARRES ORDINAIRES (MCO)
Pour vérifier la robustesse des résultats et comparer avec la littérature existante (Hagemann, 2015; Lazarczyk,
2015; Lazarczyk, 2016; Valitov & Maier, 2020), des régressions sont faites sur les séries temporelles avec la mé-
thode des moindres carrés ordinaires. Les tests de significativité des coefficients sont calculés avec une variance
robuste à l’hétéroscédasticité et à l’autocorrélation des résidus (estimateur de Newey-West). La fonction de perte
est le carré du résidu. Cette méthode est plus sensible aux valeurs extrêmes.
5. RESULTATS DE L’ETUDE
5.1 RESULTATS DE LA REGRESSION MLR POUR TOUTES LES INDISPONIBILITES SANS

DISTINCTION PAR NATURE DE L’ENERGIE
L’erreur de prévision de la consommation FE%M augmente la prime de risque quand l’indice de prix EPEX SPOT est
analysé pour le prix infra-journalier. Par exemple, une erreur d’1 GWh de consommation à 21h augmente de 0,58
€ la prime de risque calculée avec l’indice de prix infra-journalier d’EPEX SPOT. L’écart de prix est corrélé positi-
vement avec l’augmentation de la différence entre les importations et les exportations. Ces dernières augmentent
avec la demande extérieure de la France, ce qui est révélateur d’une tension sur les prix. Ce phénomène est cohé-
rent avec la conjecture dérivée du constat de Pham (2019)23. Les signes pour la variance et l’asymétrie ne sont pas
cohérents avec la théorie de la prime de risque (Bessembinder & Lemmon, 2002). Le signe du coefficient de la
variance est instable et celui de l’asymétrie est positif, soit l’opposé à celui qui est attendu. Ce constat a été égale-
ment fait par les études pour l’Allemagne (Valitov, 2019) ou pour les Etats-Unis (Haugom & Ullrich, 2012). Une
autocorrélation est présente pour certains créneaux comme celui de 23h où 13,9 % de l’écart de la veille se réper-
cute sur l’écart du jour d’après.
23 De façon symétrique, Valitov (2019) obtient comme résultat que la prime de risque ex-post allemande augmente avec la hausse des exporta-
tions. Ce qui est cohérent avec le fait que les prix français et allemands de l’électricité sont positivement corrélés.
20/32
Septembre 2021
Tableau 10 : Résultats de la régression MLR sur l'écart entre indice de prix infra-journalier EPEX SPOT et prix day-
ahead
0H 1H 2H 3H 4H 5H 6H 7H 8H 9H 10H 11H 12H 13H 14H 15H 16H 17H 18H 19H 20H 21H 22H 23H
0,42 0,24 0,24 0,38 0,37 0,59 0,61 0,03 0,01 0,70 0,73 0,58 0,45 0,25 0,28 0,26 0,55 0,34 0,01 1,08 1,61 1,22 0,26 0,05
∆PU ,
GW 0,49 0,55 0,52 0,47 0,45 0,61 0,62 0,67 0,59 0,68 0,72 0,68 0,70 0,71 0,68 0,68 0,68 0,78 0,90 0,96 0,84 0,72 0,54 0,47
FE
GWh 0,04 0,09 0,24 0,21 0,18 0,20 0,07 0,01 0,10 0,11 0,21 0,28 0,41 0,46 0,56 0,45 0,48 0,45 0,50 0,47 0,53 0,60 0,48 0,41
FE
GWh 0,06 0,03 0,09 0,01 0,04 0,01 0,02 0,02 0,05 0,01 0,01 0,00 0,04 0,10 0,06 0,11 0,11 0,09 0,11 0,06 0,07 0,08 0,11 0,11
,
GWh 0,03 0,04 0,07 0,09 0,08 0,13 0,13 0,08 0,08 0,05 0,03 0,09 0,11 0,10 0,11 0,10 0,14 0,13 0,10 0,09 0,00 0,03 0,05 0,08
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
0,10 0,34 0,64 0,77 0,86 0,75 0,71 0,68 1,03 1,25 1,33 1,21 1,13 1,03 0,99 0,87 0,86 0,79 0,93 1,11 0,91 0,70 0,56 0,74
RP ,
0,05 0,03 0,02 0,04 0,05 0,07 0,07 0,01 0,00 0,00 0,00 0,02 0,01 0,02 0,03 0,07 0,09 0,07 0,06 0,08 0,05 0,08 0,13 0,14
En ce qui concerne, les indisponibilités publiées, elles sont très significatives pour toutes les heures avec un pic
entre 18h et 20h. Les résultats pour la prime de risque avec le prix infra-journalier moyen pondéré sont similaires
au Tableau 10 comme le montre le Tableau 11.
Tableau 11 : Résultats de la régression MLR sur l'écart entre prix moyen pondéré infra-journalier et prix day-ahead
0,42 0,23 0,23 0,38 0,37 0,59 0,61 0,03 0,01 0,70 0,73 0,58 0,45 0,25 0,28 0,26 0,54 0,34 0,01 1,09 1,62 1,23 0,27 0,05
∆PU ,
GW 0,50 0,55 0,52 0,47 0,45 0,61 0,62 0,67 0,59 0,68 0,72 0,68 0,70 0,71 0,68 0,68 0,68 0,78 0,90 0,96 0,84 0,72 0,54 0,47
FE
GWh 0,04 0,09 0,24 0,21 0,18 0,20 0,07 0,01 0,10 0,11 0,21 0,28 0,41 0,46 0,56 0,45 0,48 0,46 0,50 0,48 0,53 0,60 0,48 0,42
FE
GWh 0,06 0,03 0,09 0,01 0,04 0,01 0,02 0,02 0,05 0,01 0,01 0,00 0,04 0,10 0,06 0,11 0,11 0,09 0,11 0,06 0,08 0,08 0,11 0,12
,
GWh 0,03 0,04 0,07 0,09 0,08 0,13 0,13 0,08 0,08 0,05 0,03 0,09 0,11 0,10 0,11 0,10 0,14 0,13 0,10 0,08 0,00 0,03 0,05 0,08
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
0,11 0,34 0,65 0,78 0,86 0,75 0,70 0,68 1,02 1,24 1,33 1,20 1,12 1,03 0,99 0,87 0,86 0,79 0,94 1,12 0,92 0,71 0,57 0,77
RP ,
0,05 0,03 0,02 0,04 0,05 0,07 0,07 0,01 0,00 0,00 0,00 0,02 0,01 0,02 0,03 0,07 0,09 0,07 0,06 0,08 0,05 0,08 0,13 0,14
Les régressions faites sur la prime de risque avec le dernier prix infra-journalier confirment les résultats précédem-
ment obtenus (Tableau 12). Il est possible de constater une sensibilité plus forte aux indisponibilités avec une
évolution plus proche à la courbe en dos de chameau observée en Figure 1. Entre 16h et 19h, 1 GW supplémentaire
d’indisponibilité publié entraîne une hausse de la prime de risque supérieure à 1 euro.
Tableau 12 : Résultats de la régression MLR sur l'écart entre dernier prix infra-journalier et prix day-ahead
0,50 0,08 0,40 0,04 0,48 1,12 0,29 0,63 1,35 1,85 1,40 0,65 0,75 1,14 0,15 0,59 0,62 0,36 1,27 2,93 2,64 1,86 0,42 0,44
∆PU ,
GW 0,57 0,72 0,74 0,46 0,53 0,76 0,70 0,71 0,82 0,97 0,95 0,67 0,73 0,74 0,72 0,77 1,03 1,03 1,12 1,12 0,90 0,87 0,66 0,73
FE
GWh 0,10 0,23 0,24 0,31 0,50 0,31 0,08 0,23 0,36 0,36 0,49 0,76 0,90 0,92 0,93 0,81 0,86 0,75 0,95 0,80 0,76 0,90 0,67 0,74
FE
GWh 0,10 0,10 0,11 0,05 0,04 0,06 0,03 0,05 0,01 0,00 0,19 0,05 0,18 0,22 0,27 0,27 0,26 0,09 0,12 0,13 0,14 0,28 0,24 0,14
,
GWh 0,06 0,07 0,12 0,07 0,13 0,18 0,10 0,02 0,04 0,00 0,01 0,12 0,12 0,06 0,07 0,08 0,11 0,13 0,03 0,04 0,06 0,01 0,01 0,07
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
0,19 0,28 0,31 0,44 0,37 0,31 0,39 0,28 0,59 0,78 0,63 0,50 0,69 0,63 0,85 0,72 0,60 0,47 0,74 0,52 0,43 0,70 0,76 0,56
RP ,
0,02 0,02 0,01 0,03 0,02 0,02 0,03 0,02 0,02 0,01 0,01 0,04 0,01 0,03 0,05 0,05 0,05 0,03 0,01 0,03 0,08 0,05 0,06 0,06
Les régressions sur la prime de risque calculé avec les prix infra-journalier minimum montrent logiquement une
constante négative dans le Tableau 13. Ce qui est cohérent avec les moyennes négatives dans le Tableau 3. A
l’opposée des indices infra-journalier analysés précédemment, une baisse de l’écart est observée avec la hausse
des importations nettes. Cependant, plus de coefficients pour l’erreur de prévision de la production ENR sont très
significatifs et toujours avec un signe négatif. Les sensibilités aux indisponibilités publiées estimées sont plus
faibles dans le Tableau 13 que dans les tableaux précédents.
21/32
Septembre 2021
Tableau 13 : Résultats de la régression MLR sur l'écart entre prix infra-journalier minimum et prix day-ahead
4,20 4,07 3,65 3,51 3,26 3,30 4,07 5,31 5,62 5,91 5,55 5,41 5,16 5,37 4,82 4,95 4,72 5,19 6,19 7,19 6,54 5,23 4,40 5,54
∆PU ,
GW 0,30 0,38 0,31 0,38 0,29 0,35 0,45 0,46 0,38 0,39 0,40 0,35 0,35 0,27 0,31 0,42 0,38 0,44 0,46 0,50 0,48 0,40 0,26 0,30
FE
GWh 0,07 0,10 0,08 0,08 0,06 0,21 0,08 0,11 0,06 0,04 0,08 0,18 0,22 0,29 0,31 0,28 0,38 0,54 0,55 0,39 0,38 0,42 0,40 0,29
FE
GWh 0,13 0,16 0,22 0,08 0,11 0,17 0,17 0,09 0,10 0,10 0,12 0,11 0,11 0,19 0,18 0,21 0,21 0,12 0,14 0,11 0,10 0,13 0,14 0,15
,
GWh 0,06 0,08 0,04 0,00 0,01 0,04 0,01 0,08 0,11 0,11 0,12 0,05 0,04 0,05 0,06 0,06 0,01 0,03 0,16 0,17 0,16 0,06 0,03 0,09
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,00 0,00
0,12 0,26 0,40 0,21 0,32 0,21 0,18 0,10 0,09 0,38 0,33 0,17 0,09 0,06 0,14 0,05 0,09 0,21 0,20 0,27 0,11 0,09 0,33 0,29
RP ,
0,07 0,07 0,03 0,07 0,06 0,07 0,07 0,04 0,05 0,03 0,02 0,02 0,08 0,04 0,06 0,07 0,05 0,05 0,04 0,10 0,11 0,13 0,18 0,10
De façon symétrique, les régressions sur la prime de risque calculé avec les prix infra-journalier maximum montrent
logiquement une constante positive dans le Tableau 14. Les erreurs de prévision de production ENR n’ont aucun
effet sur cet écart.
Tableau 14 : Résultats de la régression MLR sur l'écart entre prix infra-journalier maximum et prix day-ahead
3,57 4,08 4,06 4,36 4,45 5,10 5,62 5,28 5,04 4,48 4,24 4,42 4,87 4,75 5,71 5,41 5,55 6,55 5,87 4,61 3,79 3,78 4,45 4,92
∆PU ,
GW 0,65 0,74 0,67 0,51 0,47 0,66 0,68 0,79 0,79 0,83 0,92 0,86 0,82 0,88 0,90 0,92 1,00 0,99 1,22 1,21 1,03 0,82 0,71 0,69
FE
GWh 0,10 0,18 0,28 0,28 0,40 0,17 0,23 0,02 0,06 0,12 0,12 0,27 0,40 0,42 0,65 0,52 0,45 0,29 0,30 0,40 0,60 0,66 0,53 0,55
FE
GWh 0,02 0,09 0,05 0,05 0,05 0,05 0,08 0,00 0,04 0,07 0,06 0,04 0,03 0,05 0,01 0,01 0,01 0,00 0,04 0,01 0,03 0,02 0,09 0,02
,
GWh 0,13 0,17 0,15 0,17 0,17 0,22 0,23 0,20 0,21 0,19 0,17 0,21 0,26 0,22 0,27 0,24 0,26 0,34 0,31 0,31 0,16 0,15 0,16 0,18
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
0,00 0,11 0,22 0,26 0,35 0,17 0,15 0,27 0,66 0,63 0,54 0,43 0,34 0,33 0,27 0,23 0,15 0,15 0,21 0,40 0,17 0,16 0,24 0,13
RP , !
0,04 0,06 0,08 0,07 0,08 0,06 0,04 0,04 0,03 0,03 0,03 0,04 0,04 0,05 0,03 0,07 0,10 0,04 0,08 0,10 0,04 0,07 0,10 0,02
La Figure 7 récapitule les différentes estimations selon le créneau horaire et l’indice de prix infra-journalier choisi
pour calculer l’écart avec le prix day-ahead. Si l’écart avec le prix minimum est stable et semble constituer un
plancher, les écarts calculés avec les autres indices de prix sont croissants entre 4h et 19h.
Figure 7 : Comparaison des coefficients de sensibilité des écarts de prix aux indisponibilités publiées selon l'indice
de prix infra-journalier choisi. Estimation MLR avec toutes les indisponibilités prises en compte
1,20
1,00
0,80
0,60
0,40
0,20
0,00
ES MP DP MIN MAX
22/32
Septembre 2021
5.2 RESULTATS DE LA REGRESSION QUANTILE
Enfin, les effets des variations de publication d’indisponibilité ont été étudiés sur les variations d’écart de prix, tous
créneaux horaires confondus, regroupés en quantile. Il est constaté un effet croissant et significatif, mais faible (en-
dessous de 0,5 €/GW pour l’indice de prix EPEX SPOT et le prix moyen pondéré) du coefficient de sensibilité de la
prime de risque aux indisponibilités publiées selon le quantile. La dynamique est différente pour la prime de risque
calculée avec le prix infra-journalier maximum. En effet, il n’y a pas de dynamique croissante et les deux derniers
coefficients, pour les 98e et 99e centiles, ne sont pas très significatifs contrairement aux autres.
Tableau 15 : Comparaison des coefficients de sensibilité des quantiles d’écarts de prix à l’information publiée
selon l'indice de prix infra-journalier choisi, répartis par quantile
∆PU ,
0,10 0,20 0,30 0,40 0,50 0,60 0,70 0,80 0,90 0,91 0,92 0,93 0,94 0,95 0,96 0,97 0,98 0,99
GW
ES
0,11 0,09 0,07 0,08 0,09 0,10 0,12 0,14 0,21 0,22 0,23 0,24 0,24 0,24 0,27 0,30 0,40 0,46
MP
0,11 0,09 0,07 0,08 0,09 0,10 0,12 0,14 0,21 0,22 0,23 0,24 0,23 0,24 0,27 0,30 0,41 0,46
DP
0,25 0,26 0,27 0,30 0,31 0,40 0,43 0,52 0,73 0,73 0,75 0,81 0,86 0,94 1,07 1,27 1,70 2,27
MIN
0,10 0,06 0,07 0,09 0,10 0,12 0,12 0,13 0,20 0,20 0,21 0,24 0,25 0,28 0,31 0,29 0,35 0,35
MAX
0,26 0,25 0,26 0,24 0,22 0,20 0,23 0,22 0,21 0,25 0,28 0,29 0,32 0,36 0,35 0,35 0,31 0,48
La Figure 8 montre une asymptote verticale en 1, qui est la borne supérieure des déciles. A l’exception de la prime
de risque calculée avec le prix maximum infra-journalier, toutes les autres courbes montrent une accélération de
type exponentielle. Néanmoins, les valeurs restent faibles par rapport aux écarts-types exposés dans le Tableau 3
qui sont d’environ 7 euros pour les écarts calculés avec l’indice d’EPEX SPOT et le prix moyen pondéré et de 12 eu-
ros pour le dernier prix.
Figure 8 : Comparaison des coefficients de sensibilité des quantiles d’écarts de prix à l’information publiée selon
l'indice de prix infra-journalier choisi, répartis par quantile
Zoom sur les prix MP, MIN et MAX
2,50 0,60
0,50
2,00
0,40
1,50
0,30
1,00
0,20
0,50
0,10
0,00 0,00
0,00 0,20 0,40 0,60 0,80 1,00 0,00 0,20 0,40 0,60 0,80 1,00
ES MP ES MP
DP MIN MIN MAX
23/32
Septembre 2021
Seul le dernier prix montre des valeurs du coefficient de sensibilité aux indisponibilités estimées par les régressions
quantiles (Tableau 15 et Figure 8) qui dépassent les estimations par la méthode du MLR (tableaux Tableau 10 à
Tableau 14 et Figure 7) et dans un intervalle similaire aux estimations par les MCO (Figure 11 et tableaux Tableau
17 à Tableau 21). Les estimations avec d’autres indices de prix sont plus faibles. Cela peut s’expliquer par deux
raisons. D’abord, la fonction de perte appliquée aux régressions quantiles n’est pas la même que pour l’estimation
par MLR. Comme expliqué dans la Section 4.2, les résidus dans la régression quantiles ont un poids dont le signe
dépend de leur position par rapport au quantile étudié. Ensuite, la régression quantile minimise la somme des
valeurs absolues. L’approche des MLR est différente. Comme expliqué en Section 4.1, elle minimise une somme
de résidus avec des poids différents selon un certain seuil pour pénaliser les valeurs extrêmes. Quant aux MCO, il
s’agit de minimiser la somme des carrés des résidus. Les valeurs extrêmes n’y sont pas pénalisées. L’autre expli-
cation est que regrouper par créneau horaire a une plus grande influence sur l’estimation des coefficients de
sensibilité aux indisponibilités que d’estimer par quantile. Il est possible de penser que l’horaire de la prime de
risque est plus déterminant dans sa sensibilité aux indisponibilités que sa position préexistante dans la distribution
des primes de risque en général.
5.3 RESULTATS DE LA REGRESSION MLR AVEC UNE DISTINCTION DES INDISPONIBI-

LITES PAR NATURE DE L’ENERGIE
L’équation 3 devient :
∀ ∈ ES,MP,DP,MA,MI , RP , α ∑ ∈ é" # ,$ %,&'(( β ΔPU , γ * , ε ,
Au lieu d’avoir une variable d’intérêt comme dans la section précédente, trois variables d’intérêt sont définies res-
pectivement pour le nucléaire, les ENR et l’énergie fossile. Le Tableau 16 montre que seuls les coefficients pour les
indisponibilités du nucléaire sont tout le temps très significatifs. Ce résultat est cohérent avec le Tableau 7 qui
montre que la majeure partie des indisponibilités publiées concernent des centrales nucléaires. Les indisponibilités
de production ENR (incluant essentiellement la filière hydraulique) ont un impact significatif seulement entre 18 et
21h. Quant aux indisponibilités d’origine fossile, la significativité est variable sur tous les produits horaires avec des
valeurs estimées plus faibles que pour les autres types d’énergie.
Tableau 16 : Comparaison des coefficients significatifs de sensibilité de l’écart entre indice prix infra-journalier
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MLR
Nucléaire
0,56 0,62 0,50 0,49 0,47 0,65 0,74 0,74 0,61 0,75 0,81 0,75 0,73 0,75 0,75 0,78 0,76 0,83 1,02 1,05 0,90 0,79 0,63 0,59
ENR
0,61 0,39 0,13 0,69 0,39 0,33 0,44 0,44 0,32 0,47 0,64 0,62 0,13 0,14 0,06 0,36 0,09 0,82 1,43 1,83 1,67 1,44 0,71 0,84
Fossile
0,30 0,33 0,72 0,38 0,39 0,51 0,20 0,47 0,56 0,37 0,36 0,44 0,65 0,60 0,52 0,39 0,45 0,53 0,37 0,47 0,40 0,25 0,12 0,09
La Figure 9 montre les coefficients significatifs du Tableau 16. La courbe pour le nucléaire suit la tendance crois-
sante de 3h à 19h puis décroissante dans l’intervalle suivant qu’observée dans la Figure 7 pour l’indice de prix
infra-journalier d’EPEX SPOT. C’est la seule courbe continue du graphique. Le fait qu’il y ait moins de résultats
significatifs pour les variations journalières d’indisponibilités d’origine fossile et ENR est cohérent avec les valeurs
du Tableau 7 qui montre un ratio moyen sur écart-type plus faible et un plus grand nombre de valeurs nulles que
pour le nucléaire.
24/32
Septembre 2021
Figure 9 : Comparaison des coefficients significatifs de sensibilité de l’écart entre indice prix infra-journalier
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MLR
2,00
1,80
1,60
1,40
1,20
1,00
0,80
0,60
0,40
0,20
0,00
Nucléaire ENR Fossile
Tous les coefficients pour le nucléaire sont très significatifs. Les niveaux de significativité sont beaucoup plus va-
riables pour les autres filières.
5.4 RESULTATS DE LA REGRESSION PAR MCO
Dans toutes les régressions MCO menées, l’hypothèse nulle de non-autocorrélation des résidus est rejetée par le
test de Durbin-Watson2425. De même, le test de Jarqe-Bera rejette l’hypothèse de normalité des résidus. Ce qui est
cohérent avec la présence de valeurs extrêmes. Cela justifie l’utilisation de l’estimateur de la variance des erreurs
de Newey West pour avoir des tests HAC (heteroscedasticity and autocorrelation consistent) de significativité des
coefficients estimés par la régression.
Les coefficients estimés par les MCO sont plus élevés, moins significatifs et plus variables que ceux estimés par
MLR en raison de la plus grande sensibilité aux valeurs extrêmes des MCO. Cependant, l’avantage de la méthode
d’estimation par MCO est qu’elle permet de mettre en avant les coefficients de détermination (dits aussi R-squared).
Pour vérifier si le coefficient de détermination est significatif, un test de Fisher est appliqué (Crépon, 2005). Il est à
noter que toutes les régressions par les MCO présentées dans cette étude sont globalement significatives avec une
valeur p inférieure à 1 % selon le test de Fisher.
Définition du R-squared ou coefficient de détermination

Le R-squared, appelé aussi coefficient de détermination, est la proportion de la variation totale des variables
dépendantes expliquées par les variables explicatives. C’est un coefficient compris entre 0 et 1 qui s’exprime
aussi en pourcentage. Plus le R-squared est proche de 1 (ou 100 %), plus une partie importante de la variation
totale est expliquée par les variables explicatives compte tenu du modèle spécifié et des coefficients estimés.
Dans les tableaux de régression, la notation adoptée est ,- .
La Figure 10 fait la comparaison des R-squared pour les régressions des différents indices de prix infra-journalier.
Les régressions qui ont en moyenne les R-squared les plus élevés sont celles de l’indice prix d’EPEX SPOT et le prix
moyen pondéré par les transactions, avec une valeur de 10,5 %. Les écarts-types sont de 6 points. Les prix maxima
ont un R-squared plus élevé de 11 % en moyenne, mais avec un écart-type de 9,4 points. Cela s’explique par la très
24 Pour plus d’explication sur les régressions par les moindres carrés ordinaires en présence d’autocorrélation des résidus, voir le chapitre 8
de (Crépon, 2005).
25 Dans le cas d’un modèle auto-régressif, qui comprend la variable endogène retardée d’une période, « le test de Durbin-Watson (DW) est
biaisé dans le sens du rejet de l’hypothèse d’autocorrélation des perturbations » (Dormont, 2007, p. 357) poussant à accepter l’hypothèse
nulle à tort. Or, ici, le test de DW rejette déjà l’hypothèse nulle. Mener des tests supplémentaires sur l’autocorrélation des résidus n’est donc
pas requis.
25/32
Septembre 2021
forte influence de la constante qui a un pouvoir explicatif très variable. Le R-squared pour la régression sur le prix
maximum de 23h atteint 47,1 %. Tous les R-squared sont significatifs. Les F-tests menés rejettent systématique-
ment l’hypothèse nulle de coefficients de la régression tous égaux à zéro (dit aussi « significativité globale ») 26.
Figure 10 : Comparaison des R-squared pour les différents indices de prix infra-journalier
0,50
0,45
0,40
0,35
0,30
0,25
0,20
0,15
0,10
0,05
0,00
ES MP DP MIN MAX
La Figure 11 représentant les coefficients de sensibilité estimés par les MCO, montre un comportement comparable
avec les résultats de la méthode MLR présentés en Figure 7. La hiérarchie des courbes est la même. On observe
un pic vers 18h de plus forte amplitude pour les coefficients estimés par les MCO. A la différence de l’estimation
MLR, le coefficient estimé à partir du prix infra-journalier minimum suit la même tendance que les autres indices.
Les courbes reflétant les coefficients pour le prix maximum et le dernier prix présentent un pic vers 9h. Les créneaux
de 2h et 13h n’ont pas donné de coefficient significatif quand le prix minimum était retenu pour calculer la prime
de risque.
Figure 11 : Comparaison des coefficients de sensibilité des écarts de prix aux indisponibilités publiées selon
l'indice de prix infra-journalier choisi. Estimation MCO avec toutes les indisponibilités prises en compte
2,50
2,00
1,50
1,00
0,50
0,00
ES MP DP MIN MAX
Les valeurs observées des coefficients de sensibilité estimés par les MCO sont d’un ordre comparable avec les
estimations par régression MLR ou quantile. Les coefficients sont au maximum à 1/6e environ de la volatilité jour-
nalière pour les indices choisis.
26Les F-tests restent robuste pour un échantillon très large même quand l’hypothèse de normalité n’est pas respectée (Ali & Sharma, 1996;
Knief & Forstmeier, 2021).
26/32
Septembre 2021
Les tableaux suivants (Tableau 17 et Tableau 18) montrent les valeurs des différents coefficients et des coefficients
de détermination pour les régressions par les MCO des primes de risque selon l’indice de prix infra-journalier choisi.
Tableau 17 : Résultats de la régression MCO sur l'écart entre indice de prix infra-journalier EPEX SPOT et prix day-
ahead
./0
0,33 0,19 0,21 0,55 0,51 0,88 1,10 0,34 0,30 0,50 0,71 0,45 0,22 0,06 0,62 0,50 0,82 1,19 0,57 0,08 1,83 1,38 0,25 0,01
∆PU2,3
GW 0,54 0,57 0,58 0,51 0,50 0,73 0,65 0,77 0,73 0,94 0,87 0,77 0,72 0,71 0,67 0,67 0,71 0,87 1,28 1,16 0,96 0,81 0,73 0,52
FE35
GWH 0,02 0,02 0,20 0,00 0,14 0,24 0,09 0,09 0,16 0,13 0,22 0,24 0,48 0,47 0,55 0,46 0,45 0,33 0,52 0,55 0,55 0,61 0,49 0,45
FE3/67
GWH 0,05 0,00 0,10 0,09 0,14 0,03 0,07 0,08 0,03 0,02 0,01 0,04 0,04 0,11 0,09 0,13 0,12 0,10 0,19 0,12 0,13 0,10 0,15 0,10
682,3
GWH 0,05 0,06 0,09 0,12 0,12 0,19 0,20 0,13 0,12 0,09 0,03 0,10 0,13 0,12 0,15 0,13 0,17 0,24 0,20 0,27 0,01 0,03 0,06 0,09
9:;<=
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,01 0,01 0,00 0,00
0>?@<=
0,10 0,46 0,81 1,13 1,34 1,15 0,94 1,15 1,84 2,14 1,95 1,78 1,77 1,73 1,75 1,58 1,60 1,45 1,84 2,97 1,48 0,76 0,82 0,99
/0
RP2,3AB
0,07 0,05 0,03 0,03 0,05 0,09 0,08 0,01 0,02 0,01 0,00 0,04 0,07 0,08 0,06 0,11 0,14 0,17 0,10 0,02 0,05 0,11 0,20 0,24
7<
0,03 0,04 0,07 0,07 0,09 0,11 0,07 0,05 0,07 0,10 0,10 0,10 0,11 0,10 0,09 0,09 0,11 0,12 0,07 0,10 0,15 0,25 0,12 0,12
Tableau 18 : Résultats de la régression MCO sur l'écart entre prix moyen pondéré infra-journalier et prix day-ahead
8C
.
0,33 0,19 0,20 0,55 0,51 0,88 1,10 0,34 0,30 0,50 0,71 0,45 0,22 0,06 0,62 0,50 0,82 1,18 0,56 0,07 1,84 1,38 0,26 0,00
∆PU2,3
GW 0,54 0,57 0,58 0,51 0,50 0,72 0,65 0,77 0,73 0,94 0,87 0,77 0,72 0,71 0,67 0,67 0,71 0,87 1,29 1,16 0,96 0,81 0,73 0,52
FE35
GWH 0,02 0,02 0,20 0,00 0,14 0,24 0,09 0,09 0,16 0,13 0,22 0,24 0,49 0,47 0,55 0,46 0,45 0,34 0,52 0,56 0,55 0,61 0,49 0,46
FE3/67
GWH 0,05 0,00 0,10 0,09 0,14 0,03 0,07 0,08 0,03 0,02 0,01 0,04 0,04 0,11 0,09 0,13 0,12 0,10 0,19 0,12 0,13 0,10 0,15 0,10
682,3
GWH 0,05 0,06 0,09 0,12 0,12 0,19 0,19 0,13 0,12 0,09 0,03 0,10 0,13 0,12 0,15 0,13 0,17 0,24 0,20 0,26 0,01 0,03 0,05 0,09
9:;<=
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,01 0,01 0,00 0,00
0>?@<=
0,11 0,46 0,82 1,14 1,34 1,15 0,93 1,15 1,84 2,14 1,94 1,77 1,74 1,71 1,74 1,58 1,61 1,46 1,85 2,99 1,49 0,77 0,83 1,01
8C
RP2,3AB
0,07 0,05 0,03 0,03 0,05 0,09 0,07 0,01 0,02 0,01 0,00 0,04 0,07 0,08 0,06 0,11 0,14 0,17 0,10 0,02 0,05 0,11 0,19 0,23
7<
0,03 0,04 0,07 0,07 0,09 0,11 0,07 0,05 0,07 0,10 0,10 0,10 0,10 0,10 0,09 0,09 0,11 0,12 0,07 0,10 0,15 0,25 0,12 0,12
A la différence des résultats de la régression MLR sur l'écart entre dernier prix infra-journalier et prix day-ahead
(Tableau 12), le coefficient de sensibilité aux indisponibilités prises dans leur ensemble dans le créneau de 2h n’est
que moyennement significatif selon la régression par les MCO (Tableau 19).
Tableau 19 : Résultats de la régression MCO sur l'écart entre dernier prix infra-journalier et prix day-ahead
.DC
0,59 0,04 0,30 0,59 0,64 1,66 1,97 0,48 1,53 1,83 1,02 0,11 0,18 0,95 0,35 0,04 0,41 0,43 0,53 1,55 2,84 1,93 0,50 0,39
∆PU2,3
GW 0,62 0,80 0,61 0,61 0,63 1,04 0,78 1,10 1,34 1,43 1,28 0,93 0,87 1,00 0,96 0,87 1,22 1,27 2,20 1,71 1,18 0,99 1,14 0,88
FE35
GWH 0,24 0,11 0,09 0,24 0,38 0,32 0,26 0,14 0,37 0,54 0,80 0,96 0,97 0,96 0,90 0,70 0,94 0,60 1,71 1,19 0,79 0,84 0,62 0,84
FE3/67
GWH 0,06 0,12 0,09 0,02 0,00 0,03 0,02 0,02 0,02 0,02 0,25 0,01 0,19 0,33 0,35 0,33 0,30 0,12 0,42 0,16 0,25 0,32 0,35 0,08
682,3
GWH 0,08 0,10 0,16 0,17 0,17 0,28 0,29 0,07 0,05 0,03 0,00 0,20 0,17 0,10 0,13 0,14 0,15 0,24 0,13 0,25 0,03 0,05 0,02 0,09
9:;<=
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00
0>?@<=
0,29 0,42 0,83 0,77 0,84 0,55 0,47 0,57 1,10 1,36 0,89 1,28 1,24 1,14 1,63 1,41 1,30 1,06 1,48 1,78 0,97 1,06 1,40 0,97
DC
RP2,3AB
0,03 0,04 0,02 0,02 0,04 0,05 0,00 0,04 0,05 0,00 0,02 0,05 0,08 0,07 0,07 0,06 0,05 0,06 0,03 0,06 0,10 0,05 0,12 0,10
7<
0,02 0,03 0,03 0,04 0,05 0,06 0,02 0,03 0,05 0,06 0,03 0,02 0,05 0,06 0,06 0,06 0,07 0,06 0,03 0,04 0,06 0,12 0,07 0,06
27/32
Septembre 2021
A la différence des résultats de la régression MLR sur l'écart entre prix infra-journalier minimum et prix day-ahead
(Tableau 13), les coefficients de sensibilité aux indisponibilités, estimés par la régression par les MCO (Tableau 20),
ne sont pas significatifs aux créneaux de 2h et 4h. La valeur estimée à 13h est faiblement significative. Les coeffi-
cients ne sont que moyennement significatifs aux créneaux de minuit, 3h, et de 14h à 16h.
Tableau 20 : Résultats de la régression MCO sur l'écart entre prix infra-journalier minimum et prix day-ahead
8E
.
4,78 4,66 3,99 3,86 3,54 3,81 4,94 6,81 6,45 6,59 6,21 6,04 5,88 6,06 5,63 5,63 5,42 6,14 8,78 8,78 7,46 5,71 4,87 6,37
∆PU2,3
GW 0,26 0,37 0,18 0,32 0,27 0,40 0,60 0,58 0,44 0,44 0,35 0,29 0,33 0,16 0,23 0,29 0,27 0,44 0,76 0,57 0,56 0,44 0,29 0,28
FE35
GWH 0,13 0,28 0,16 0,13 0,14 0,17 0,01 0,11 0,10 0,04 0,03 0,10 0,25 0,17 0,29 0,15 0,22 0,60 1,13 0,46 0,38 0,32 0,42 0,29
FE3/67
GWH 0,20 0,25 0,20 0,06 0,07 0,18 0,16 0,02 0,05 0,08 0,15 0,12 0,20 0,27 0,25 0,23 0,22 0,14 0,28 0,18 0,19 0,16 0,19 0,17
682,3
GWH 0,12 0,11 0,04 0,02 0,00 0,04 0,02 0,19 0,23 0,18 0,20 0,11 0,10 0,15 0,17 0,13 0,09 0,11 0,56 0,37 0,22 0,08 0,05 0,14
9:;<=
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,00 0,00
0>?@<=
0,12 0,45 0,93 0,56 0,79 0,49 0,42 0,28 0,59 0,60 0,59 0,34 0,29 0,24 0,50 0,19 0,07 0,17 0,81 0,15 0,04 0,03 0,35 0,40
8E
RP2,3AB
0,08 0,11 0,05 0,10 0,08 0,09 0,08 0,06 0,10 0,07 0,05 0,03 0,09 0,08 0,10 0,09 0,09 0,10 0,17 0,14 0,13 0,14 0,20 0,12
7<
0,02 0,04 0,02 0,03 0,03 0,02 0,03 0,03 0,05 0,04 0,04 0,02 0,03 0,02 0,04 0,02 0,02 0,05 0,10 0,15 0,11 0,06 0,09 0,05
Que ce soit avec une estimation par MCO (Tableau 14) ou par MLR (Tableau 21), les coefficients de sensibilité aux
indisponibilités sont très significatifs. Comme pour la prime de risque calculée avec les derniers prix (Tableau 19),
les coefficients ont une valeur plus grande. Pour le créneau de 18h, le seuil des 2 € est dépassé.
Tableau 21 : Résultats de la régression MCO sur l'écart entre prix infra-journalier maximum et prix day-ahead
8F
.
4,15 4,96 4,86 5,63 5,38 6,10 8,17 6,32 6,12 4,72 3,77 5,54 5,12 5,46 7,56 7,67 7,07 9,84 11,66 10,65 4,09 5,18 4,74 4,91
∆PU2,3
GW 0,74 0,75 0,81 0,65 0,70 1,01 0,71 1,21 1,48 1,86 1,74 1,59 1,06 1,28 1,21 1,18 1,41 1,42 2,39 1,92 1,35 1,10 1,24 0,95
FE35
GWH 0,25 0,08 0,11 0,06 0,39 0,19 0,16 0,02 0,01 0,52 0,41 0,40 0,48 0,40 0,59 0,48 0,47 0,55 0,15 0,11 0,18 0,61 0,55 0,70
FE3/67
GWH 0,09 0,17 0,13 0,11 0,15 0,24 0,25 0,16 0,08 0,01 0,06 0,19 0,09 0,01 0,06 0,01 0,00 0,13 0,17 0,02 0,32 0,07 0,26 0,19
682,3
GWH 0,21 0,26 0,24 0,28 0,26 0,35 0,49 0,40 0,47 0,39 0,30 0,44 0,41 0,41 0,53 0,51 0,51 0,68 1,21 1,21 0,23 0,35 0,24 0,02
9:;<=
0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,01
0>?@<=
0,12 0,26 0,36 0,35 0,36 0,34 0,61 1,19 2,09 2,07 2,35 1,44 1,43 1,05 1,36 0,84 0,81 1,28 1,62 2,11 1,47 0,28 0,55 0,67
8F
RP2,3AB
0,05 0,09 0,10 0,11 0,12 0,09 0,04 0,05 0,04 0,06 0,10 0,07 0,17 0,16 0,07 0,12 0,16 0,06 0,14 0,12 0,04 0,11 0,21 0,04
7<
0,03 0,06 0,08 0,06 0,08 0,07 0,04 0,08 0,09 0,10 0,09 0,04 0,10 0,10 0,06 0,08 0,12 0,03 0,10 0,11 0,22 0,17 0,11 0,47
Les estimations par MCO pour les filières sont plus instables que par MLR (Figure 9 et Tableau 16). La significativité
des coefficients varie beaucoup plus avec quelques points isolés en Figure 12 pour les courbes des indisponibilités
des filières fossiles et ENR. La tendance est stable pour la filière nucléaire et comparable avec l’estimation MLR.
Les valeurs des estimations par MCO sont plus élevées que par MLR, notamment pour les ENR qui ont un coefficient
de sensibilité qui dépasse les 4 €/GWh. Ce qui est cohérent avec le fait que les MCO sont plus sensibles aux valeurs
extrêmes.
28/32
Septembre 2021
Figure 12 : Comparaison des coefficients significatifs de sensibilité de l’écart entre indice prix infra-journalier
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MCO
4,50
4,00
3,50
3,00
2,50
2,00
1,50
1,00
0,50
0,00
Nucléaire ENR Fossile
Le Tableau 22 montre les valeurs de la Figure 12. Les points isolés du graphique ne sont tous que faiblement
significatifs. La courbe ENR n’a qu’un point très significatif à 18h.
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MCO
Nucléaire
0,60 0,64 0,56 0,52 0,53 0,73 0,75 0,78 0,58 0,88 0,94 0,78 0,73 0,75 0,76 0,80 0,77 0,93 1,19 1,27 1,06 0,89 0,86 0,66
ENR
0,64 0,67 0,42 0,89 0,75 0,54 0,16 0,41 1,16 1,83 1,09 0,86 0,20 0,04 0,14 0,46 0,14 0,33 4,01 2,77 1,74 0,91 0,37 0,89
Fossile
0,37 0,36 0,78 0,41 0,34 0,73 0,24 0,81 1,34 1,10 0,56 0,69 0,81 0,64 0,44 0,27 0,52 0,67 1,44 0,55 0,35 0,33 0,17 0,17
29/32
Septembre 2021
6. CONCLUSION
A 1 GW supplémentaire d’indisponibilité annoncée, l’étude vise à estimer la sensibilité en euros de l’écart entre prix
infra-journalier et prix day-ahead.
Les estimations faites dans la présente étude sur la base des différentes méthodes utilisées donnent des résultats
cohérents avec des signes identiques et des ordres de grandeur comparables. Toutes les régressions menées sont
globalement significatives bien que les coefficients de détermination soient entre 5 et 11 % en moyenne selon
l’indice de prix infra-journalier choisi pour calculer la prime de risque. Les indisponibilités et les variables de contrôle
choisies n’expliquent qu’une petite partie de la variance de l’écart entre prix infra-journalier et day-ahead. Les coef-
ficients de sensibilité des écarts de prix infra-journalier et day-ahead aux indisponibilités sont très significatifs pour
le volume total manquant des indisponibilités prises dans leur ensemble et pour les indisponibilités des centrales
nucléaires. La méthode de régression par les MCO montre des coefficients moins significatifs pour les derniers prix
et pour le prix minimum infra-journalier entre minuit et 4h et sur la période de 13h à 16h.
Les coefficients de sensibilité aux indisponibilités publiées dans la Figure 7 et au Tableau 14 font apparaitre que
les coefficients maximaux issus de l’estimation par la méthode du modèle linéaire robuste (MLR) valent entre
1/12 e et 1/7 e de l’écart-type des écarts de prix entre infra-journalier et day-ahead. Ce résultat est aussi obtenu
avec les autres méthodes utilisées, régressions quantile et moindres carrés ordinaires (MCO). L’intervalle de l’en-
semble des valeurs des coefficients de sensibilité estimés est compris entre 0 et 2,3 euros pour 1 GW indisponible.
Les valeurs estimées sont les plus faibles pour le prix infra-journalier minimum hors pointe. A l’opposée, elles sont
les plus élevées pour le prix infra-journalier maximum et le dernier prix en heure de pointe. La Figure 7 illustre une
tendance croissante de la sensibilité de la prime de risque aux indisponibilités publiées entre 3h et 19h puis une
tendance décroissante sur l’autre période.
L’analyse par filière montre un impact prix significatif pour les indisponibilités de moyens de production nucléaires
indépendamment de l’heure de livraison concernée. L’impact prix est beaucoup plus faible lorsqu’il s’agit de
moyens de production fossiles, mais leurs indisponibilités sont trop peu fréquentes pour avoir des statistiques re-
présentatives. A l’inverse, l’impact prix des indisponibilités des moyens de production ENR, composés surtout de
centrales hydrauliques, est plus élevé que pour les autres filières et uniquement significatif entre 18h et 21h.
Enfin, plus l’écart entre prix infra-journalier et prix day-ahead est élevé, plus la sensibilité aux indisponibilités pu-
bliées est forte avec une progression exponentielle en fonction du quantile de l’écart (Figure 11).
Au regard de ces résultats, il est possible de constater qu’en France les publications des indisponibilités des moyens
de production d’électricité constituent une information susceptible d’influencer le prix, mais que cette influence,
mesurée en moyenne et sur un large éventail de quantiles, n’est pas « sensible », dans les conditions de la présente
étude, au sens du règlement REMIT27.
Il convient de rappeler que la présente étude sur la sensibilité du prix de gros de l’électricité aux publications
d’informations concernant les indisponibilités des moyens de production ne représente qu’une des méthodes
d’analyse de la sensibilité possibles. D’autres méthodologies d’analyse28 sont envisageables. Les résultats obtenus
sont donc pertinents uniquement dans le cadre de la présente étude, avec des voies de généralisation limitées.
Par ailleurs il est de la responsabilité de chaque acteur du marché d’effectuer sa propre évaluation du caractère
privilégié d’une information, incluant l’évaluation de l’influence sensible sur les prix des produits énergétiques de
gros. Cette évaluation doit nécessairement se faire au cas par cas.
27 Une information sensible a, au sens du règlement REMIT, une influence sur le prix de gros d’électricité non négligeable.
28 Parmi les méthodologies alternatives certaines peuvent être citées :
il est possible d’étudier le nombre et les caractéristiques d’ordres émis et des transactions réalisées pour le produit concerné par
l’indisponibilité pendant une période de temps limitée après la publication de la disponibilité. Les observations réalisées peuvent être
comparées à la période précédant la publication de l’indisponibilité afin d’estimer l’ampleur de son impact sur le comportement des
acteurs du marché ;
il est possible de développer un modèle du pricing du prix day-ahead afin de pourvoir simuler le calcul du résultat de l’enchère en
retirant les volumes normalisés correspondant à une indisponibilité théorique ;
il est possible d’appliquer les mêmes méthodologies de régression comme dans la présente étude, en se focalisant cependant à
l’analyse de la sélection des périodes les plus tendues pour le marché, ou sur une sélection des indisponibilités fortuites uniquement.
30/32
Septembre 2021
INDEX DES TABLEAUX

Tableau 1 : Statistiques descriptives des prix de gros français de l'électricité (2015-2020).......................................7
Tableau 2 : Coefficient d'Asymétrie de Fisher-Pearson et coefficient de Kurtosis de Fisher des séries de prix..........8
Tableau 3 : Statistiques des écarts de prix sur 52 580 observations entre 2015 et 2020 ...................................... 11
Tableau 4 : Moyennes des écarts de prix selon le produit horaire concerné ............................................................. 12
Tableau 5 : Coefficient d'Asymétrie de Fisher-Pearson et coefficient de Kurtosis de Fisher des séries des écarts de
prix pour l’ensemble des valeurs de 2015 à 2020 ...................................................................................................... 14
Tableau 6 : Asymétrie et Kurtosis des séries des écarts de prix sur les dernières 24h de 2015 à 2020................ 14
Tableau 7 : Statistiques des variables explicatives physiques .................................................................................... 16
Tableau 8 : Stationnarité des variables......................................................................................................................... 17
Tableau 9 : Abréviations des variables utilisées ........................................................................................................... 19
Tableau 10 : Résultats de la régression MLR sur l'écart entre indice de prix infra-journalier EPEX SPOT et prix day-
ahead .............................................................................................................................................................................. 21
Tableau 11 : Résultats de la régression MLR sur l'écart entre prix moyen pondéré infra-journalier et prix day-ahead
......................................................................................................................................................................................... 21
Tableau 12 : Résultats de la régression MLR sur l'écart entre dernier prix infra-journalier et prix day-ahead ........ 21
Tableau 13 : Résultats de la régression MLR sur l'écart entre prix infra-journalier minimum et prix day-ahead..... 22
Tableau 14 : Résultats de la régression MLR sur l'écart entre prix infra-journalier maximum et prix day-ahead .... 22
Tableau 15 : Comparaison des coefficients de sensibilité des quantiles d’écarts de prix à l’information publiée selon
l'indice de prix infra-journalier choisi, répartis par quantile ......................................................................................... 23
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MLR ............................ 24
Tableau 17 : Résultats de la régression MCO sur l'écart entre indice de prix infra-journalier EPEX SPOT et prix day-
ahead .............................................................................................................................................................................. 27
Tableau 18 : Résultats de la régression MCO sur l'écart entre prix moyen pondéré infra-journalier et prix day-ahead
......................................................................................................................................................................................... 27
Tableau 19 : Résultats de la régression MCO sur l'écart entre dernier prix infra-journalier et prix day-ahead ........ 27
Tableau 20 : Résultats de la régression MCO sur l'écart entre prix infra-journalier minimum et prix day-ahead .... 28
Tableau 21 : Résultats de la régression MCO sur l'écart entre prix infra-journalier maximum et prix day-ahead ... 28
d’EPEX SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MCO............................ 29
INDEX DES FIGURES
Figure 1 : Moyenne horaire des séries de prix day-ahead et infra-journalier sur la période 2015-2020 ....................8
Figure 2 : Décomposition journalière sur décembre 2020 .............................................................................................9
Figure 3 : Décomposition mensuelle de 2015 à 2020 ................................................................................................ 10
Figure 4 : Moyennes horaires des écarts entre prix infra-journalier et day-ahead sur la période 2015-2020 ........ 13
Figure 5 : Valeurs absolues des moyennes horaires des écarts entre prix infra-journalier et day-ahead minimum et
maximum sur la période 2015-2020 ............................................................................................................................ 13
Figure 6 : Corrélations des variables utilisées dans les différentes régressions........................................................ 18
de prix infra-journalier choisi. Estimation MLR avec toutes les indisponibilités prises en compte ........................... 22
Figure 8 : Comparaison des coefficients de sensibilité des quantiles d’écarts de prix à l’information publiée selon
l'indice de prix infra-journalier choisi, répartis par quantile ......................................................................................... 23
Figure 9 : Comparaison des coefficients significatifs de sensibilité de l’écart entre indice prix infra-journalier d’EPEX
SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MLR ......................................... 25
Figure 10 : Comparaison des R-squared pour les différents indices de prix infra-journalier .................................... 26
de prix infra-journalier choisi. Estimation MCO avec toutes les indisponibilités prises en compte ........................... 26
Figure 12 : Comparaison des coefficients significatifs de sensibilité de l’écart entre indice prix infra-journalier d’EPEX
SPOT et prix day-ahead à l’information publiée selon le type d’énergie. Estimation MCO ........................................ 29
31/32
Septembre 2021
BIBLIOGRAPHIE
Ali, M. M., & Sharma, S. C. (1996). Robustness to nonnormality of regression F-tests. Journal of Econometrics, 71(1-2), 175-205.
doi:https://doi.org/10.1016/0304-4076(94)01700-X
Anscombe, F. J., & Glynn, W. J. (1983). Distribution of the kurtosis statistic b2 for normal samples. Biometrika, 70(1), 227-234.
doi:10.1093/biomet/70.1.227
Bessembinder, H., & Lemmon, L. M. (2002). Equilibrium Pricing and Optimal Hedging in Electricity Forward Markets. The Journal of Finance,
57, 1347-1382. doi:10.1111/1540-6261.00463
Crépon, B. (2005). Econométrie linéaire. INSEE France. Récupéré sur www. ensae. fr/paristech/SE2C2/Cours_2005_06. pdf
D’Haultfœuille, X., & Givord, P. (2014). La régression quantile en pratique. Economie et statistique, 471(1), 85-111.
doi:10.3406/estat.2014.10484
D'agostino, R. B., Belanger, A., & D'agostino Jr., R. B. (1990). ) A Suggestion for Using Powerful and Informative Tests of Normality. The
American Statistician, 44(4), 316-321. doi:10.1080/00031305.1990.10475751
Dormont, B. (2007). Introduction à l'économétrie. Montchrestien.
Ertur, C. (1998). Méthodologies de test de la racine unitaire. [Rapport de recherche], Laboratoire d'analyse et de techniques économiques
(LATEC).
Hagemann, S. (2015). Price determinants in the German intraday market for electricity: an empirical analysis. Journal of Energy Markets, 8(2),
21-45. doi:10.21314/JEM.2015.128
Haugom, E., & Ullrich, C. J. (2012). Market efficiency and risk premia in short-term forward prices. Energy Economics, 34(6), 1931-1941.
doi:10.1016/j.eneco.2012.08.003
Huber, P. (1964). Robust Estimation of a Location Parameter. The Annals of Mathematical Statistics, 35(1), 73-101.
Knief, U., & Forstmeier, W. (2021). Violating the normality assumption may be the lesser of two evils. Behavior Research Methods.
doi:https://doi.org/10.3758/s13428-021-01587-5
Lazarczyk, E. (2015). Private and public information on the Nordic intra-day electricity market. (No. 1064). IFN Working Paper.
Lazarczyk, E. (2016). Market-specific news and its impact on forward premia on electricity markets. Energy Economics, 54, 326-336.
doi:10.1016/j.eneco.2015.12.015
Longstaff, F. A., & Wang, A. W. (2004). Electricity Forward Prices: A High-Frequency Empirical Analysis. The Journal of Finance, 59(4), 1877-
1900. doi:10.1111/j.1540-6261.2004.00682.x
Pham, T. (2019). Do German renewable energy resources affect prices and mitigate market power in the French electricity market ? Applied
Economics, 51:54, 5829-5842. doi:10.1080/00036846.2019.1624919
Valitov, N. (2019). Risk premia in the German day-ahead electricity market revisited: The impact of negative prices. Energy Economics, 82, 70-
77. doi:10.1016/j.eneco.2018.01.020
Valitov, N., & Maier, A. (2020). Asymmetric information in the German intraday electricity market. Energy Economics, 89, 104785.
doi:10.1016/j.eneco.2020.104785
Viehmann, J. (2011). Risk premiums in the German day-ahead Electricity Market. Energy Policy, 39(1), 386-394.
doi:10.1016/j.enpol.2010.10.016
Weron, R. (2005). Heavy tails and electricity prices. HSC Research Reports .
32/32

Etude de Sensibilite Prix de Gros CRE

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Etude de Sensibilite Prix de Gros CRE

Transféré par

Droits d'auteur :

Formats disponibles

ÉTUDE

Étude sur la sensibilité du prix de

En application de l’article 4(1) du règlement (UE) n°1227/2011 du Parlement européen et du Conseil du

1. REVUE DE LA LITTERATURE EXISTANTE AUTOUR DE LA PROBLEMATIQUE ETUDIEE

2. METHODOLOGIE ET PERIMETRE DE L’ETUDE

3. DESCRIPTION DE L’ENSEMBLE DE DONNEES SOUS-JACENTES DE L’ETUDE

3.1 VARIABLE EXPLIQUEE

4Appelée aussi variable dépendante.

3.2 PROPRIETES STATISTIQUES DES PRIX

3.2.1. Statistiques des niveaux de prix

DAP , 52604 40,33 19,03 -75,82 28,92 38,51 49,68 874,01

ID , 52485 40,8 20,46 -95,12 28,77 38,72 50,27 979,51

ID , 52468 40,8 20,46 -95,12 28,77 38,72 50,27 979,51

ID , 52468 40,68 22,23 -228,89 28 38,5 50 1110

ID , 52468 34,92 18,18 -228,89 24,3 34 44,79 700

ID , 52468 47,08 27,25 -66,5 33 43,75 56 1600

Mesurer la significativité avec la valeur p

Figure 3 : Décomposition mensuelle de 2015 à 2020

3.2.2. Statistiques des écarts de prix

∀ ∈ ES,MP,DP,MA,MI , RP , IDP , DAP , 2

RP , 0,44 6,99 -189,41 -2,54 0,05 2,77 353,52

RP , 0,44 6,99 -189,41 -2,54 0,05 2,77 353,52

RP , 0,33 11,95 -693,79 -4,00 -0,02 3,72 692,15

RP , ! -5,42 7,67 -699,79 -7,66 -4,19 -1,49 34,81

RP , " 6,71 15,96 -66,92 1,51 4,38 8,29 1002,00

Tableau 4 : Moyennes des écarts de prix selon le produit horaire concerné

H0 -0,26 -0,25 -0,25 -4,7 4,29

La signification des moments des rendements dans le trading directionnel

RP , Va 32,96 231,57 0,00 5,93 10,95 20,55 10224,60

Ske 0,14 0,81 -4,69 -0,34 0,10 0,57 4,69

RP , Va 32,97 231,57 0,00 5,94 10,96 20,61 10224,60

Ske 0,14 0,81 -4,69 -0,34 0,10 0,57 4,69

RP , Va 116,20 768,55 0 19,52 33,44 63,62 18951,31

Ske 0,19 1,09 -4,69 -0,42 0,12 0,72 4,66

RP , Va 44,65 454,12 0,00 8,58 15,50 28,85 18219,98

Ske -0,80 0,88 -4,69 -1,21 -0,67 -0,24 3,04

RP , Va 193,97 2620,03 0,00 9,62 18,35 42,97 104234,16

Ske 0,96 0,96 -4,69 0,33 0,8 1,43 4,69

3.3 VARIABLES EXPLICATIVES PHYSIQUES

Statistiques des variables explicatives physiques

3.4 STATIONNARITE DES VARIABLES

Tableau 8 : Stationnarité des variables

3.5 CORRELATION DES VARIABLES

Figure 6 : Corrélations des variables utilisées dans les différentes régressions

4.1 MODELE LINEAIRE ROBUSTE (MLR)

Tableau 9 : Abréviations des variables utilisées

min ? 6 @RP , A α8 B β8 ΔPU , B γ8 , C

Cette minimisation permet de calculer les estimations des paramètres de la régression.

4.2 REGRESSION QUANTILE

min C D 3RP% : α ' β ΔPU% ' γ ,% ' ε. ,% 4

4.3 REGRESSION PAR LES MOINDRES CARRES ORDINAIRES (MCO)

5.1 RESULTATS DE LA REGRESSION MLR POUR TOUTES LES INDISPONIBILITES SANS

5.2 RESULTATS DE LA REGRESSION QUANTILE

5.3 RESULTATS DE LA REGRESSION MLR AVEC UNE DISTINCTION DES INDISPONIBI-

∀ ∈ ES,MP,DP,MA,MI , RP , α ∑ ∈ é" # ,$ %,&'(( β ΔPU , γ * , ε ,

Nucléaire ENR Fossile

5.4 RESULTATS DE LA REGRESSION PAR MCO

Définition du R-squared ou coefficient de détermination

Nucléaire ENR Fossile

INDEX DES TABLEAUX

INDEX DES FIGURES

Vous aimerez peut-être aussi